[发明专利]基于多层支持向量回归机模型的图像超分辨重建方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及图像超分辨重建方法，可用于视频监控、高清晰电视HDTV成像。

背景技术

图像的分辨率是衡量图像质量的一个重要性能指标。随着CCD和CMOS图像传感器的发明，人们获取的图像更加清晰，但是在图像的采集与处理过程中，容易受到天气条件，物理条件，人为等因素的影响，使图像质量下降。提高图像成像设备的硬件条件可以改善图像的质量，但是高密度图像传感器的价格昂贵且从技术水平上改良传感器阵列的性能几乎难以实现。为了满足人们低成本需求同时又能显著提高图像分辨率的要求，超分辨图像重建技术得到推广。

图像超分辨率重建是利用一帧或者多帧低分辨率图像通过相应的图像超分辨率重建算法，获得高分辨率图像。传统的图像超分辨率重建大致可以分为三类：基于插值、基于重构和基于学习的超分辨方法。目前单帧图像超分辨率重建技术主要基于低分辨-高分辨图像对学习一种数据对来实现单帧图像超分辨率重建。基于低分辨-高分辨数据对这类单帧超分辨重建技术也称为基于学习的超分辨重建技术。

基于学习的图像超分辨方法核心在于建立高、低分辨率图像的映射模型，其实现步骤包括构造输入／输出训练集和估计模型参数。Freeman等人在文献Freeman W T,Jones T R，Pasztor E C.“Example-based super-resolution，”IEEE Computer，Graphics and Application,2002，22(2)：56-65.中提出采用马尔科夫网络对高分辨率图像块与低分辨率图像块之间的关系以及相邻的高分辨率图像块之间的关系进行建模，由于其采用的是块-块映射，所以会产生边界效应。Karl等人在文献Karl S N，Truong Q N.“Image super-resolution using support vector regression，”IEEE Trans on Image Processing，2007，16(6)：1596-1610.中提出将去除中心点的低分辨率图像块作为输入，其输出为高分辨图像相应的U×U图像块，其中U为放大因子，采用支持向量回归SVR对输入/输出图像块之间的关系进行建模，形成块-块映射，然后对低分辨测试图像块进行预测得到高分辨率图像块，但该建模忽略了低分辨率图像块中心点的重要作用，使得预测的图像块的高频部分信息缺失，产生边界效应。为此，Dalong Li等人在文献Li Dalong,Simske S.“Example based single-frame image super-resolution by support vector regression，”Journal of Pattern Recognition Research，2010：104-118.中进一步对基于SVR的超分辨方法进行了改进，其实现步骤是：先将图像进行插值得到插值图像；再将原始高分辨图像与插值图像的相减得到误差图像；然后将插值图像和误差图像进行分块，把插值图像块作为输入，把误差图像块的中心像素作为输出，采用支持向量回归SVR方法对输入图像块与输出像素点之间的关系进行建模，形成块-点映射，最后对插值后的高分辨率测试图像块进行预测，得到误差图像块的中心像素点。这种采用块-点的映射来代替块-块的映射，避免了边界效应，使得图像更为平滑。然而，这种方法的性能要完全依赖于训练样本库，如果样本选择不好，就难于实现较好的图像超分辨重建。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于多层支持向量回归机模型的图像超分辨重建方法，以在任意训练样本库的条件下，实现单帧图像的超分辨重建，提高图像的峰值信噪比，得到重建图像的清晰边缘和丰富纹理。

本发明的技术方案是这样实现的：

本发明利用多层SVR模型恢复尽可能多的细节信息，同时，考虑到图像整体结构差异性过大，将图像分为水平边缘部分，垂直边缘部分和非边缘部分进行训练，以利于突出图像的局部特征；在训练数据集的同时，本发明按照像素在图像中所处的空间位置，对SVR模型的输入集进行不同的加权，使得对输出贡献大的输入像素能得到更大的权值。从而实现单帧图像的超分辨重建，得到边缘清晰、纹理丰富的高分辨率图像。

其实现步骤包括如下：

（1）创建高分辨亮度图像和低分辨亮度图像训练样本库；

（2）创建低分辨亮度图像测试样本库；