[发明专利]基于概率生成模型的图像超分辨处理方法

说明书

本发明公开了一种基于概率生成模型的图像超分辨处理方法，其实现步骤为：(1)输入图像；(2)获取训练样本；(3)获取测试样本；(4)训练概率生成模型；(5)测试概率生成模型。本发明生成的高分辨图像分辨率高于一般方法，包含更多的信息，并且利用了概率生成模型的先验信息与隐变量隐含的信息，同时提高了图像超分辨的速度，是一种高效的图像超分辨处理方法。

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处理技术领域的一种基于概率生成模型的图像超分辨处理方法。本发明可用于先利用低分辨图像块生成对应的高分辨图像块，然后生成原低分辨图像对应的高分辨图像，进而再生成原低分辨图像对应的高分辨图像。

背景技术

超分辨光学图像可以克服低分辨光学图像的限制，并且在诸如医疗诊断、遥感、计算机视觉和监视等许多应用中显示出良好的结果。要获得高分辨率的光学图像，最直接的办法是采用高分辨率图像传感器，但由于传感器和光学器件制造工艺和成本的限制，在很多场合和大规模部署中很难实现。因此，利用现有的设备，通过超分辨率技术获取高分辨图像具有重要的现实意义。为了打破成像系统固有分辨率的限制，从算法角度提高光学图像分辨率的技术就应运而生。现有的图像超分辨算法主要有这几种：基于传统插值理论的方法、基于模型/重建的方法和基于机器学习的方法。

K.Zeng,J.Yu,R.Wang,C.Li,D.Tao等人在其发表的论文“Coupled deepautoencoder for single image super-resolution.”(IEEE Transactions onCybernetics,2015，pages 1–11.)中公开了一种基于深度学习网络的单幅光学图像超分辨处理方法。该方法使用耦合深度自编码模型来学习高分辨/低分辨图像块对的内在表示，同时得到低分辨图像块到高分辨图像块的映射，最后融合高分辨图像块，并生成原低分辨图像对应的高分辨图像。该方法在重构中表现出了比较好的性能，且在前向网络测试时有较快的速度。但是，仍然存在的不足之处是：该方法并没有考虑到使用模型的先验信息，也没有考虑模型中隐变量隐含的不确定因素，使得该方法无法利用原图像中包含的所有信息，只用了部分信息来生成对应的高分辨图像。

清华大学深圳研究生院在其申请的专利文献“一种图像超分辨方法”(专利申请专利号：201510338958.6，公开号：CN10499240A)中提出了一种基于聚类和协同表示的图像超分辨方法。该方法在组织聚类中心近邻时，又对搜索空间聚类，利用了数据的局部几何特性，从而更准确地恢复高分辨率图像的高频信息，得到更高质量的高分辨率图像。该方法能够在聚类时不仅能够确定聚类中心，而且可以得到各个聚类中心的统计特性，为进一步加快超分辨速度提供可能。但是，仍然存在的不足之处是：该方法只是利用了一个浅层的概率模型，只利用了低分辨图像表面的信息，没有考虑到高分辨/低分辨图像块对中隐含的信息，其中涉及的方法无法生成更多的信息来完善图像的分辨率，限制了最后得到的高分辨图像的分辨率。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提出了一种基于概率生成模型的图像超分辨处理方法，充分利用模型中的先验信息，提高最终得到的高分辨图像的分辨率的同时提高图像超分辨的速度。

实现本发明上述目的的思路是：对所有输入的高分辨图像做下采样处理后，用双三次插值法，获得与高分辨图像尺寸大小一样的低分辨图像；训练概率生成模型，将对应的高分辨/低分辨图像块对作为训练样本，利用批量随机梯度下降法对概率生成模型的参数进行迭代更新；测试概率生成模型时，用训练概率生成模型时得到的参数，生成高分辨图像块后，排列高分辨图像块得到重构的高分辨图像；对高分辨图像微调，得到最终的高分辨图像。

为实现上述目的，本发明基于概率生成模型的图像超分辨处理方法，步骤如下：

(1)输入图像：

(1a)将多幅高分辨光学图像输入到训练集中；

(1b)将与训练集中不同的多幅高分辨光学图像输入到测试集中；