基于主动采样和高斯混合模型的图像超分辨重建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107845064A(43)申请公布日2018.03.27(21)申请号201710781808.1(22)申请日2017.09.02(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人高新波黄源飞何立火路文(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06T3/40(2006.01)权利要求书4页说明书9页附图2页(54)发明名称基于主动采样和高斯混合模型的图像超分辨重建方法(57)摘要本发明公开了一种基于主动采样和高斯混合模型的图像超分辨率重建方法，可用于受限设备采集图像的超分辨率重建。其实现步骤为：(1)获取训练图像块；(2)对训练图像块进行主动采样；(3)提取联合训练特征向量；(4)训练高斯混合模型；(5)获取低分辨率测试特征向量；(6)重建高分辨率测试图像。本发明提高了重建图像的清晰度，尤其在重建结构轮廓、自然纹理等细节时，表现更佳。CN107845064ACN107845064A权利要求书1/4页1.一种基于主动采样和高斯混合模型的图像超分辨率重建方法，其特征在于，包括如下步骤：(1)获取训练图像块：(1a)读入待训练的高分辨率彩色图像，对高分辨率彩色图像进行YCbCr空间转化，得到YCbCr空间训练图像，将YCbCr空间训练图像的非线性亮度分量划分成500万个大小为9×9的高分辨率训练图像块；(1b)使用插值算法，对YCbCr空间训练图像的非线性亮度分量进行1/3倍下采样，得到低分辨率尺寸的低分辨率训练图像，对低分辨率尺寸的低分辨率训练图像进行3倍上采样，得到高分辨率尺寸的低分辨率训练图像，将高分辨率尺寸的低分辨率训练图像划分成5000000个大小为9×9的低分辨率训练图像块；(2)对训练图像块进行主动采样：(2a)按照下式，计算每一个低分辨率训练图像块的细节差异值：其中，Var(xt)表示第t个低分辨率训练图像块的细节差异值，表示第t个低分辨率训练图像块的像素均值，||·||2表示2-范数求解操作，t＝1,2,...,5000000；(2b)根据每一个低分辨率训练图像块的细节差异值，对所有的低分辨率训练图像块升序排序，将60％临界点处的低分辨率训练图像块的细节差异值作为差异阈值，将60％临界点处之后的2000000个低分辨率训练图像块作为有效低分辨率训练图像块；(2c)在所有的高分辨率训练图像块中，选取与有效低分辨率训练图像块相对应的有效高分辨率训练图像块；(3)提取联合训练特征矩阵：(3a)对所有的有效低分辨率训练图像块进行特征提取，得到高维度的低分辨率训练特征向量；(3b)对所有高维度的低分辨率训练特征向量进行排列，得到大小为324×2000000的高维度的低分辨率训练特征矩阵，使用主成分分析方法，对高维度的低分辨率训练特征矩阵进行降维，得到一个大小为30×2000000的低分辨率训练特征矩阵；(3c)用每一个有效高分辨率训练图像块分别减去与之对应的有效低分辨率训练图像块，得到2000000个81维的高分辨率训练特征向量，对所有高分辨率训练特征向量进行排列，得到一个大小为81×2000000的高分辨率训练特征矩阵；(3d)串接低分辨率训练特征矩阵和高分辨率训练特征矩阵，得到大小为111×2000000的联合训练特征矩阵；(4)训练高斯混合模型：(4a)对联合训练特征矩阵进行初始化操作，得到初始高斯混合模型；(4b)使用期望最大化算法，迭代求解高斯混合模型；(5)获取低分辨率测试特征向量：(5a)读入待测试的低分辨率彩色图像，对低分辨率彩色图像进行YCbCr空间转化，得到YCbCr空间测试图像；(5b)使用插值算法，分别对YCbCr空间测试图像的非线性亮度分量、蓝色色差分量、红2CN107845064A权利要求书2/4页色色差分量进行3倍上采样，得到高分辨率尺寸的低分辨率测试图像、高分辨率蓝色色差分量、高分辨率红色色差分量；将高分辨率尺寸的低分辨率测试图像划分成一组大小为9×9的低分辨率测试图像块；(5c)从所有低分辨率测试图像块中筛选出有效低分辨率测试图像块，对所有的有效低分辨率测试图像块进行特征提取，将提取出的特征组成高维度的低分辨率测试特征向量；(5d)将所有低分辨率测试特征向量重组，得到高维度的低分辨率测试特征矩阵，使用主成分分析方法，对高维度的低分辨率测试特征矩阵进行降维，得到低分辨率测试特征矩阵；(6)重建高分辨率测试图像：(6a)对每一个低分辨率测试特征矩阵的列向量，使用基于联合条件高斯分布的重建方法，得到高分辨率测试特征向量，将每一个高分辨率测试特征向量与其对应的低分辨率测试图像块相加，得到高分辨率测试图像块；(6b)组合所有的高分辨