主权项 |
一种基于非局部高斯过程回归的图像超分辨方法,包括以下步骤:(1)输入一幅尺寸为I<sub>R</sub>×I<sub>C</sub>的低分辨彩色图像I,将其由红、绿、蓝RGB颜色空间转换为亮度图像I<sub>Y</sub>、蓝色色度图像I<sub>Cb</sub>、红色色度图像I<sub>Cr</sub>构成的YCbCr颜色空间;(2)从亮度图像I<sub>Y</sub>生成规模为n的非局部训练样本集D:(2a)根据亮度图像I<sub>Y</sub>得到辅助插值高频图像I′<sub>I</sub>和高频图像I′<sub>Y</sub>;(2b)按照光栅扫描顺序基于间隔λ从辅助插值高频图像I′<sub>I</sub>网格采样出尺寸为p×p的初始图像块集合<img file="FDA0000871999840000011.GIF" wi="239" he="71" />其中λ为正整数,取值范围介于[1,10];(2c)剔除掉初始图像块集合P<sub>1</sub>中块标准差小于设定阈值θ的图像块,得到规模为n的修剪图像块集合<img file="FDA0000871999840000012.GIF" wi="247" he="78" />其中θ为取值范围介于[0,3]之间的实数;(2d)在高频图像I′<sub>Y</sub>中提取与修剪图像块集合P对应的图像块,并得到这些图像块的中心像素集合<img file="FDA0000871999840000013.GIF" wi="238" he="71" />(2e)根据(2c)和(2d)构成规模为n的训练样本集合<img file="FDA0000871999840000014.GIF" wi="374" he="71" />其中<x<sub>i</sub>,y<sub>i</sub>>表示x<sub>i</sub>与y<sub>i</sub>构成的二元组;(2f)对训练样本集合<img file="FDA0000871999840000015.GIF" wi="348" he="71" />中每个样本<x<sub>i</sub>,y<sub>i</sub>>用x<sub>i</sub>和y<sub>i</sub>分别除以x<sub>i</sub>的2范数‖x<sub>i</sub>‖进行标准化,即<x<sub>i</sub>,y<sub>i</sub>>←<x<sub>i</sub>/‖x<sub>i</sub>‖,y<sub>i</sub>/‖x<sub>i</sub>‖>,<img file="FDA0000871999840000016.GIF" wi="302" he="63" />其中n为训练样本的总个数;(3)基于训练样本集D学习出高斯过程回归模型M,得到从图像块x<sub>i</sub>到对应高分辨图像块中心像素丢失的高频分量y<sub>l</sub>之间的映射;(4)根据亮度图像I<sub>Y</sub>得到插值均值图像S<sub>M</sub>和高斯过程回归模型的测试集Q;(5)对蓝色色度图像I<sub>Cb</sub>、红色色度图像I<sub>Cr</sub>进行双立方Bicubic插值,得到尺寸为(F×I<sub>R</sub>)×(F×I<sub>C</sub>)的插值红色色度空间S<sub>Cb</sub>和插值蓝色色度空间S<sub>Cr</sub>,其中F为超分辨放大倍数;(6)基于回归模型的测试集Q,应用步骤(3)中学习好的高斯过程回归模型M,回归出超分辨高频图像S′<sub>Y</sub>;(7)将超分辨高频图像S′<sub>Y</sub>与插值均值图像S<sub>M</sub>相加,得到初始超分辨亮度图像S<sub>Y</sub>;(8)对初始超分辨亮度图像S<sub>Y</sub>应用反向投影迭代,得到最终超分辨亮度图像S<sub>F</sub>;(9)将最终超分辨亮度图像S<sub>F</sub>与插值蓝色色度空间S<sub>Cb</sub>、插值红色色度空间S<sub>Cr</sub>进行合并,得到YCbCr颜色空间下的超分辨图像,并将其转换到RGB颜色空间下,输出最终的超分辨图像。 |