[发明专利]一种图像超分辨率重建方法

说明书

本发明公开了一种图像超分辨率重建方法，包括：对输入图像YL分别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XL和双三次上采样图像XH；根据输入图像YL和高斯低通滤波图像XL构建图像对训练集然后根据图像对训练集D采用最近邻域查找法得到图像XH的训练样本对集合；采用多任务高斯过程回归模型对图像XH的训练样本对集合进行描述，然后采用梯度下降法进行参数训练，求出图像XH样本所对应的多任务高斯模型参数以及多任务高斯模型输出YH；对求出的多任务高斯模型输出YH采用反向投影法得到最终的超分辨率图像。本发明具有速度快且效果好的优点，可广泛应用于图像处理领域。

技术领域

本发明涉及图像处理领域，尤其是一种图像超分辨率重建方法。

背景技术

图像超分辨率重建技术是图像处理领域内一个重要且基础的课题，它指的是通过软件计算的方式处理输入的一幅或多幅同一场景的低分辨率图像来估算其对应的高分辨率图像。这种技术在数字电视高清显示、视频监控、遥感图像通讯等领域有着广泛的应用。其实现方法主要可分为基于插值的方法、基于重建的方法和基于学习的方法。近年来，随着机器学习、数据挖掘等技术的兴起，基于学习的方法逐渐为人们所重视，并成为图像超分辨率重建技术的主流。

图像本身信息丰富，数据量巨大，因此简单的超分辨率重建算法虽然速度快但往往达不到最优的重建效果，如采用双三次插值算法，该算法速度快，处理平滑区域能取得很好的效果，但是对于边缘和纹理区域，该算法容易引入模糊和噪声，造成重建质量下降；复杂的方法为了追求最优的效果通常都需要占用大量的内存空间和漫长的等待时间，如He等人发表在2011年CVPR会议上的论文《Single Image Super-Resolution Using Gaussianprocess Regression》中所提到的方法。He等人的方法将图像中的每一个像素点和其对应的八邻域构造成训练样本对，在每一个小区域内(文中为30×30大小的区域)训练高斯过程回归模型参数，把该区域用双三次放大到目标尺寸后构造样本集合作为高斯过程回归模型的输入，得到这个小区域的对应的高分辨率估计。这种方法模型训练阶段的时间复杂度为O(M*N3)，其中，M为抽取的图像小区域的数量，N为小区域内构造的样本对数量；预测阶段的时间复杂度为O(N’2)，N’为输入的样本数量，可以看出该方法时间复杂度较大。由于时间复杂度的限制，该算法很难在实际情况中应用。

综上所述，目前业内亟需一种速度快且效果好的图像分辨率重建方法。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种速度快且效果好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：

一种图像超分辨率重建方法，包括：

S1、对输入图像YL分别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XL和双三次上采样图像XH；