[发明专利]一种基于AdaBoost实例回归的超分辨率重建方法

摘要

本发明公开了一种基于AdaBoost实例回归的超分辨率重建方法，通过统计机器学习方法和最优化估计理论，首先利用K‑SVD字典学习方法从训练集中学习一个具有强表征能力的字典作为锚点，假定每个锚点的K个最近邻初始均为均匀分布的；接着利用脊回归的方法建立一组K个回归器做为初始回归器。然后估计高分辨特征，计算估计误差和回归器系数，更新权重分布，采用AdaBoost回归的思想经过T次增强回归建立一组K个强回归器；最后用于重建的目标回归器与初始回归器和强回归器两部分组成，以有效逼近低分辨与高分辨特征之间复杂的非线性关系，实现处理速度快、重建质量高的实例回归超分辨重建。本发明可以实现快速、高效、性能更好地实例回归超分辨重建。

主权项

1.一种基于AdaBoost实例回归的超分辨率重建方法，其特征在于，包括如下步骤：S1、采集高分辨自然图像，模拟图像降质过程，得到低分辨图像；使用双立方插值将低分辨图像放大到所需大小，得到插值图像；分别提取插值图像和原始高分辨图像的低分辨特征以及对应的高分辨特征；随机选择低分辨特征和对应高分辨特征，建立低分辨训练集和高分辨训练集其中表示第i个低分辨特征向量，表示对应的第i个高分辨特征向量，N表示训练集中样本总个数；S2、利用K‑SVD字典学习算法从低分辨特征训练集中学习得到一个低分辨字典作为锚点，其中，表示字典D^l中的第i个字典原子，M表示低分辨字典原子的个数，M＝1024；构建第i个锚点对应的低分辨特征训练集上的K个最近邻构成的子集以及第i个锚点对应的高分辨特征的K个最近邻构成的子集其中，K表示欧式距离约束的最相关特征，表示K个最近邻的第k个低分辨特征，表示K个最近邻的第k个高分辨特征，K＝2048；S3、假定N^l和N^h的K个特征向量初始是均匀分布的，即每一个特征向量的初始权重为W₁＝(w₁₁，K，w_1k，L，w_1K)，其中，w_1k表示第k特征的权重；S4、利用低分辨图像块特征与高分辨图像块特征间的共现表示关系，建立K个低分辨特征与高分辨特征间的初始线性映射关系，初始时权重这里F_k表示由第k个低分辨与高分辨特征建立的映射关系，λ是一个用来调节奇异解问题的很小的正常数，取λ＝0.00001，I表示单位矩阵；S5、用得到的初始回归器F₁与对应的低分辨训练集估计出对应的高分辨特征集计算估计误差计算回归器系数更新权重W的分布；其中，表示低分辨特征中的第k个特征，表示估计出的与对应的第k个高分辨特征，L_k(g)是损耗函数，这里mean(e)表示对误差e求均值；S6、利用AdaBoost回归的思想，重复步骤S3‑S6，经过T次迭代得到一组强回归器，其中F_t表示第t次残差回归得到的回归器；特别地，在AdaBoost增强过程中，假设当前是第t次迭代增强，那么要更新的第t+1次的权重W_t+1为：W_t+1＝(w_t+1，1，K，w_t+1，k，K，w_t+1，K)，k＝1，L，K，其中，w_t+1，k表示t+1次迭代时第k个特征的权重，Z_t是归一化常数，L_k是损耗函数，S7、得到目标回归器F＝[F1，F2]；S8、输入待处理的低分辨彩色图像y，并将图像y从红、绿、蓝的RGB颜色空间转换到YCbCr颜色空间，其中，Y表示亮度分量，两个色差分量Cb和Cr表示颜色信息；S9、对YCbCr颜色空间中的亮度分量使用双立方插值进行3倍放大，得到插值图像Y′；S10、对插值图像Y′提取特征，构成低分辨图像特征测试集其中，x^j表示低分辨图像块测试集X中的第j个特征向量，S表示该测试集X中样本总个数；S11、对低分辨图像块测试集中每个特征向量x^j，在锚点集中查找与x^j最匹配的锚点使用F₁中对应的特征映射关系矩阵计算高分辨图特征低分辨图像特征测试集中所有特征向量在F₁上的高分辨图像块估计构成了预测结果集S12、将构成的预测结果集作为当前高分辨估计特征输出的同时，用作第二层的测试集，做进一步高分辨估计，再得到一组估计的预测结果集按照对应顺序将得到的Y₁和Y₂叠加在插值图像Y₀上得到估计的高分辨图像；S13、按插值图像Y0中图像块的划分顺序合并所有预测结果集Y0、Y1和Y2，对重叠区域的像素取平均值进行融合，得到高分辨图像X；S14、对输入的低分辨彩色图像y在YCbCr颜色空间中的两个色差分量Cb和Cr直接采用双立方插值进行目标放大，并组合亮度分量Y的超分辨估计X，将YCbCr颜色空间的超分辨结果转换到RGB颜色空间，得到输入的低分辨图像y被放大了的RGB图像。