基于非局部高斯过程回归的图像超分辨方法

摘要

本发明公开了一种基于非局部高斯过程回归的图像超分辨方法，主要解决现有技术在纹理区域上超分辨效果不佳的问题。其实现步骤为：1.对输入图像进行非局部图像块网格采样，构造训练样本集；2.基于训练样本集学高斯过程回归模型；3.对测试图像预处理并生成测试样本集；4.在测试样本集上应用学好的高斯过程回归模型，预测并输出超分辨图像。本发明充分利用输入图像本身存在的图像块自相似性，通过非局部采样获取更多的非局部相似性信息，使得高斯过程回归模型的训练更为高效。仿真实验表明，本发明具有较好的超分辨能力，重建的图像能恢复更多的细节信息，更接近真实的高分辨图像，可广泛应用于图像压缩、刑事侦查、高清娱乐等领域。

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_R×I_C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_Y、蓝色色度图像I_Cb、红色色度图像I_Cr构成的YCbCr颜色空间；(2)从亮度图像I_Y生成规模为n的非局部训练样本集D：(2a)根据亮度图像I_Y得到辅助插值高频图像I′_I和高频图像I′_Y；(2b)按照光栅扫描顺序基于间隔λ从辅助插值高频图像I′_I网格采样出尺寸为p×p的初始图像块集合其中λ为正整数，取值范围介于[1,10]；(2c)剔除掉初始图像块集合P₁中块标准差小于设定阈值θ的图像块，得到规模为n的修剪图像块集合其中θ为取值范围介于[0,3]之间的实数；(2d)在高频图像I′_Y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(2e)根据(2c)和(2d)构成规模为n的训练样本集合其中<x_i,y_i>表示x_i与y_i构成的二元组；(2f)对训练样本集合中每个样本<x_i,y_i>用x_i和y_i分别除以x_i的2范数‖x_i‖进行标准化，即<x_i,y_i>←<x_i/‖x_i‖,y_i/‖x_i‖>,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_i到对应高分辨图像块中心像素丢失的高频分量y_l之间的映射；(4)根据亮度图像I_Y得到插值均值图像S_M和高斯过程回归模型的测试集Q；(5)对蓝色色度图像I_Cb、红色色度图像I_Cr进行双立方Bicubic插值，得到尺寸为(F×I_R)×(F×I_C)的插值红色色度空间S_Cb和插值蓝色色度空间S_Cr，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′_Y；(7)将超分辨高频图像S′_Y与插值均值图像S_M相加，得到初始超分辨亮度图像S_Y；(8)对初始超分辨亮度图像S_Y应用反向投影迭代，得到最终超分辨亮度图像S_F；(9)将最终超分辨亮度图像S_F与插值蓝色色度空间S_Cb、插值红色色度空间S_Cr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。