[发明专利]一种基于多任务高斯过程回归的图像超分辨率重建方法

说明书

技术领域

本发明涉及图像处理领域，尤其是一种基于多任务高斯过程回归的图像超分辨率重建方法。

背景技术

图像的超分辨率重建指的是指通过软件计算的方法得到输入单帧图像对应的高分辨率结果。该技术是图像处理领域重要且基础的操作之一，在高清显示、智能监控等领域有着广泛的应用。

传统基于高斯过程回归(GaussianProcessRegression，GPR)的图像超分辨率重建算法，其框架如图1所示，其中，X₀为输入的低分辨率图像，X表示未知的高分辨率图像(即待求的高分辨率图像)，该算法利用了图像的自相似性质(该性质指的是一幅自然图像中的小图像片(例如5×5，7×7)在它自身和该幅图像的不同尺度中存在大量重复)，以逐点的方式求取高分辨率图像。对于未知的高分辨率图像X中的每一个图像片x(假定尺寸为a×a)，该算法利用输入图像X₀中与x相对应的图像片x₀(尺寸为(a/k)×(a/k),k为放大倍数)构造训练集，通过把x₀中每一个像素点的八邻域组成的行向量作为输入，该八邻域向量所对应像素点亮度值为对应的输出，来构造训练对。而对于训练出的参数模型，则把Y中与x位置相对应的片y作为模型输入，逐个求出x中的像素点。x在X上滑动，最终可求取整幅高分辨图像X。

GPR算法求出的高分辨率图像内容清晰，纹理丰富，但其在显著边缘处会出现强烈的伪影，造成视觉效果下降，影响图像质量。图3为采用传统GPR算法所得到的高分辨率结果。从图3可知，GPR算法的高分辨率结果在眼睛、腮等位置产生了明显的伪影。GPR算法产生伪影的原因为：

(1)Y为输入图像X₀的简单上采样结果，是高分辨率图像X的低频近似，同样X₀是X的低频部分的下采样结果。因此由X₀构造训练集，并训练得到模型参数值，把Y中的每一个八邻域向量作为输入代入到训练模型中得到的输出实际是Y中对应点的像素亮度值，是X的低频近似结果，而非X本身。

(2)更为重要的原因是x₀中所包含的样本数量不足以正确描述GPR的映射函数f。如果通过简单地提取更大尺寸的图像片来解决样本不足的问题，那么其会导致来自同一个图像片的样本空间距离较远，样本差异过大而难以用同一个映射函数来描述。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种准确、能有效消除伪影，图像质量高的基于多任务高斯过程回归的图像超分辨率重建方法。

本发明解决其技术问题所采用的技术方案是：

一种基于多任务高斯过程回归的图像超分辨率重建方法，包括：

S1、对输入图像X₀进行高斯低通滤波和双三次上采样，得到高斯低通滤波图像Y₀和双三次上采样图像Y；

S2、根据待求取的超分辨图像X的任一图像片x采用最近邻域查找法构造图像片x的训练集i＝1,2,3，…，M，其中，是训练模型的输入向量，是训练模型的输出值，训练模型的映射函数为f_i:R^d→R，M为采样图像Y的图像片y在滤波图像Y₀中最近邻域图像片的总个数，为训练样本的总数量；

S3、根据构造的训练集采用多任务高斯过程回归模型进行参数训练，得到描述任务共性和差异的参数；

S4、根据多任务高斯过程回归模型对待求取图像片x进行预测，得到图像片x的每一个像素点，然后使图像片x在图像X上滑动，重新进行预测，最终得到超分辨图像X。

进一步，所述步骤S2包括：

S21、在采样图像Y中找到与图像片x相对应的图像片y；

S22、在滤波图像Y₀中找到图像片y的M个最近邻域图像片y_0i；

S23、在输入图像X₀中找到与最近邻域图像片y_0i相对应的图像片x_0i，然后对于图像片x_0i的每一个像素点在图像片y_0i中找到它对应位置的八邻域向量从而图像片x的训练集

进一步，所述步骤S3包括：

S31、根据构造的训练集和先验约束对多任务高斯过程回归模型的参数进行描述，得到相应的参数描述方程；

S32、采用梯度下降法对得到的参数描述方程进行参数求解，最终得到满足设定收敛条件的多任务高斯过程回归模型参数。