[发明专利]基于邻近特征子空间拟合的压缩图像清晰化方法

摘要

本发明提供了基于邻近特征子空间拟合的压缩图像清晰化方法，包括：对一组与待清晰化压缩图像场景相似的清晰图像样本进行压缩，编码参数与待清晰化图像相同，得到压缩图像样本集；对压缩图像样本集去噪，得到压缩去噪图像样本集；将压缩图像块和对应的压缩去噪图像块合成一个矢量，利用矢量量化将特征空间分为多个子空间；每个子空间里，由最小均方误差准则得到压缩去噪图像块到清晰图像样本块的非线性回归模型；将待清晰化压缩图像去噪，得到待清晰化压缩去噪图像；寻找待清晰化压缩图像的每个像素点位置的图像块最邻近子空间，利用该子空间的非线性回归模型得到清晰化压缩图像块；所有的清晰化压缩图像块加权平均堆叠得到清晰化图像。

主权项

1.基于邻近特征子空间拟合的压缩图像清晰化方法，其特征在于，包括如下步骤：S1、寻找一组与待清晰化压缩图像场景相似的清晰图像，定义为清晰图像样本集；对清晰图像样本集进行压缩，压缩的编码参数与待清晰化压缩图像的编码参数相同，得到压缩图像样本集；对压缩图像样本集进行去噪处理，得到压缩去噪图像样本集；将清晰图像样本集与压缩去噪图像样本集相减，得到清晰图像细节样本集；S2、将S1所述的清晰图像样本集、压缩图像样本集、压缩去噪图像样本集以及清晰图像细节样本集按照每个像素点位置重叠取块，得到位置对应的清晰图像块、压缩图像块、压缩去噪图像块以及清晰图像细节块；将每对位置对应的压缩图像块和压缩去噪图像块合成一个矢量，得到压缩去噪合成矢量；位置对应的压缩去噪图像块、清晰图像细节块以及压缩去噪合成矢量一起构成训练样本集；S3、将S2所述的训练样本集中压缩去噪合成矢量在特征空间中进行矢量量化，将特征空间划分为K个子空间，再把训练样本集划分到不同的子空间中，得到K个训练样本组；S4、在S3所述的每个子空间对应的训练样本组中，根据最小均方误差准则，学习压缩去噪图像块到清晰图像细节块之间的非线性回归模型，并把每个子空间对应的回归模型存储起来；S5、将S1所述的待清晰化压缩图像进行去噪处理，得到待清晰化压缩去噪图像；再将待清晰化压缩图像和待清晰化压缩去噪图像按照每个像素点位置重叠取块，得到位置对应的待清晰化压缩图像块以及待清晰化压缩去噪图像块；将每对位置对应的待清晰化压缩图像块和待清晰化压缩去噪图像块合成一个矢量，得到待清晰化压缩去噪合成矢量；S6、对S5所述的每个待清晰化压缩去噪合成矢量，寻找到它最邻近的子空间，同时与它对应的待清晰化压缩图像块和待清晰化压缩去噪图像块也被划分到相同的子空间中；再利用该子空间对应的非线性回归模型得到每个待清晰化压缩去噪图像块的估计清晰细节块，估计清晰细节块与待清晰化压缩去噪图像块相加，得到估计清晰图像块；S7、将S6得到的所有估计清晰图像块，按照各自像素点的位置，以加权平均的方式堆叠起来，得到最终的压缩图像的清晰化图像。