[发明专利]基于多核高斯过程回归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，具体地说是基于机器学习的单帧图像的超分辨重建方法，可用于视频监控、高清晰电视HDTV成像。

背景技术

自二十世纪八十年代起，以电荷耦合设备(Charge Coupled Device,CCD)与互补型金属氧化半导体(Complementary Metal-Oxide-Semiconductor Transistor,CMOS)为代表的感光元器件被广泛用于电子成像设备中，人们获取数字图像的方式越来越简单便利。然而，在数字图像的获取过程中，由于受电子成像硬件设备的限制和场景实时环境的影响，几乎不可能获取到能包含原始场景所有信息的高分辨图像，只能得到模糊且含有噪声的低分辨图像(Low Resolution,LR)，这在很大程度上满足不了人们的视觉体验追求。因而，如何获得能包含原始场景大部分信息的高分辨率图像也就成为研究学者们关注的热点。根据图像的成像系统原理，提高图像分辨率的最直接方法是增加成像设备的感光点数量，即通过减小每个感光器的面积或增大感光器阵列的容量来增加感光点数量，从而提高像素利用率以便采集到原始场景的精细影像。但是，一方面，由于传感器面积的减小使得受到噪声污染的像元数量增多，得到的图像更加的不理想；另一方面，感光器阵列容量的增大将减慢电荷传输速率；同时，考虑到设计高精度感光器的成本非常高而且升级硬件将带来很大的技术困难，因而在实际应用中改进硬件设备的研究进展很慢。

考虑到图像本身也是一种信号，人们将解决方法从改进硬件设备转移到信号处理技术上，研究适于图像信号的处理技术以提高图像的分辨率，这种用于改善图像质量并提高图像分辨率的图像处理被称为图像超分辨(Super Resolution,SR)重建。在计算机视觉领域，越来越多的学者致力于各种提高图像分辨率的算法研究，使得SR重建技术得到快速发展。

回归模型是数理统计中发展较早、理论丰富，应用性较强的模型，核回归作为一种非线性方法，已经应用在图像处理的多个方面。在图像超分辨重建中，根据图像的先验知识来构造线性回归系数，利用得到的回归系数建立低分辨率图像块与高分辨率像素之间的映射关系。然而，这种映射关系往往是高度非线性、甚至不存在显式映射函数的。He等人在文献“H.He and W.Siu.Single Image Super-Resolution using Gaussian Process Regression.In CVPR,2011。”中提出的高斯过程回归(Gaussian Process Regression,GPR)方法能很好地避免这一弊端。高斯过程回归通过高斯分布模型来寻找输入与输出的内在联系而不是一组预定义的基函数，对处理高维数、小样本、非线性等复杂问题具有很好的自适应性。He等人巧妙地将这一思想用于图像超分辨重建，验证了高斯过程回归解决超分辨问题的可行性。但是，其仅仅利用图像自身的局部结构信息作为训练样本库，使得可利用的数据信息有限，在放大因子较大和低分辨率图像能提供的信息不足的情况下，重建质量会急剧下降。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于多核高斯过程回归的图像超分辨方法，以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。

本发明的技术方案包括如下步骤：

（1）从网上随机下载一幅低分辨亮度图像I_L；

（2）利用matlab软件中的imresize函数将低分辨亮度图像I_L进行双立方插值放大，放大倍数为2，得到插值图像I_H；

（3）分别对低分辨亮度图像I_L和插值图像I_H进行分块，得到N个低分辨图像块和N个插值图像块，并用这些低分辨图像块组成低分辨集P_N、用这些插值图像块组成插值集Q_N；

（4）取低分辨集P_N中的第i个低分辨图像块P_i进行像素重排，得到低分辨图像块P_i的中心像素列向量α_i和邻域矩阵A_i，其中i=1,…,N，N为图像块的数目；再对中心像素列向量α_i与邻域矩阵A_i进行回归计算，得到高斯过程回归上采样模型M_i；