[发明专利]一种利用回归树场的图像超分辨率放大方法

说明书

本发明属于计算机视觉技术领域，提供了一种利用回归树场的图像超分辨率放大方法，对于单幅图像的超分辨率重建融合来说，主要由准备数据集、分析不同超分辨率融合算法的优缺点和选择需要融合的超分辨率算法以及选择用于融合的算法三部分构成。本发明的所采用的方法好处如下：(1)时间成本与硬件需求低；(2)采用开创性的算法融合。

技术领域

本发明属于计算机视觉技术领域，尤其涉及面单幅图像的超分辨率重建的方法。

背景技术

图像的分辨率大小是决定一幅图像视觉效果好坏的一个很重要的因素，随着网络的发展以及手机等电子产品的广泛使用，人们对分辨率更高、视觉体验更好的图像的需求变得越来越大。提高图像的分辨率可以通过硬件或者软件实现，但前者存在着价格昂贵、仪器携带不便等问题，因此通过计算机软件的处理将低分辨率图片变成高分辨率图片的价格优势和方便性十分突出，并且不受到硬件性能的限制，可以按照自己的意愿将图片进行超分辨率放大。

图像超分辨率(简称SR)是计算机视觉领域中一个基础而重要的问题，随着科学技术的发展，超分辨率技术及其相关领域的研究不断取得新的突破。输入一张低分辨率的图片，超分辨率算法会生成一张高分辨率图片作为输出。在超分辨率领域应用的算法种类很多，根据对图像的处理方式的不同，大致可以分为以下的四种类型。

(1)传统处理方式

早期图像的超分辨率重建的方法是基于图像的插值，其中包括nearest neighbor插值算法，bilinear插值方法，bicubic插值算法和Lanczos插值算法。由于在处理时间和在平滑区域处理效果很好这些处理方式被广泛的应用，在画图和PhotoShop等软件中集成的改变图像大小的算法就是双三次插值算法。这些传统的超分辨率重建算法适合于并行计算，对图像的重建速度较快，能够满足实时处理的需求，但由于在放大的过程张不能够提供额外的高频信息，因此在最终超分辨率放大的结果中很难得到锐化的效果，即在区域的边界和高频信息较多的区域处理的效果较差。在高频信息较多区域例如人脸、头发、纹理信息较多的区域，传统的处理方式处理的结果会形成模糊的效果。在高频和低频交界的区域即图像中的轮廓区域，会形成条纹状的噪声。

(2)基于学习的处理方式

基于学习的图像超分辨率方法主要集中于学习低分辨率图片(简称LR)和高分辨率图片(简称HR)之间的映射关系。利用高分辨率图像的先验信息进行超分辨率重建以获得高分辨率图像。总体上看，有两种不同的映射关系：利用外部数据库学习映射关系以及通过内部数据库直接学习映射关系。

很多的超分辨率方法从外部数据库中学习高分辨率图片和低分辨率图片之间的映射关系，然后以块编码策略的方式利用不同的复杂的模型刻画这种映射关系。有些方法用核主成分分析的方式学习映射关系，有的超分辨率算法寻找低分辨率图像块和与之对应的高分辨率图像块之间的稀疏表示来刻画他们之间的映射关系，有的超分辨率算法使用与编码低分辨率图像块和高分辨率图像块相似但完全不同的模块。

总体来说利用外部数据库可以从大量的外部数据击中学习得到很多维度的映射关系，可以达到一个很好的结果。但是这些算法需要在超分过程中大量的寻找匹配的高分辨率图像块，这样做的效率很低，所花费的时间很长。另外，这些方法不能够做到任意尺寸的超分辨率放大，如果训练的模型是放大2倍的模型，那么这个模型不能够用于处理放大3倍，必须重新训练用于放大3倍的新模型才能够用于测试放大3倍的图片。这就造成了基于学习的模型不具有任意尺寸放大的普适性。