一種基于多任務高斯過程回歸的圖像超分辨率重建方法
【技術領域】
[0001] 本發(fā)明涉及圖像處理領域，尤其是一種基于多任務高斯過程回歸的圖像超分辨率 重建方法。
【背景技術】
[0002] 圖像的超分辨率重建指的是指通過軟件計算的方法得到輸入單幀圖像對應的高 分辨率結果。該技術是圖像處理領域重要且基礎的操作之一，在高清顯示、智能監(jiān)控等領域 有著廣泛的應用。
[0003] 傳統(tǒng)基于高斯過程回歸（GaussianProcessRegression，GPR)的圖像超分辨率 重建算法，其框架如圖1所示，其中，Xc為輸入的低分辨率圖像，X表示未知的高分辨率圖像 (即待求的高分辨率圖像），該算法利用了圖像的自相似性質（該性質指的是一幅自然圖像 中的小圖像片（例如5X5,7X7)在它自身和該幅圖像的不同尺度中存在大量重復），以逐 點的方式求取高分辨率圖像。對于未知的高分辨率圖像X中的每一個圖像片x(假定尺寸 為aXa)，該算法利用輸入圖像X。中與X相對應的圖像片X。（尺寸為（a/k)X(a/k),k為放 大倍數）構造訓練集，通過把X(]中每一個像素點的八鄰域組成的行向量作為輸入，該八鄰 域向量所對應像素點亮度值為對應的輸出，來構造訓練對。而對于訓練出的參數模型，則把 Y中與X位置相對應的片y作為模型輸入，逐個求出X中的像素點。X在X上滑動，最終可 求取整幅高分辨圖像X。
[0004]GPR算法求出的高分辨率圖像內容清晰，紋理豐富，但其在顯著邊緣處會出現強烈 的偽影，造成視覺效果下降，影響圖像質量。圖3為采用傳統(tǒng)GPR算法所得到的高分辨率結 果。從圖3可知，GPR算法的高分辨率結果在眼睛、腮等位置產生了明顯的偽影。GPR算法 產生偽影的原因為：
[0005] (1)Y為輸入圖像X。的簡單上采樣結果，是高分辨率圖像X的低頻近似，同樣X。是 X的低頻部分的下采樣結果。因此由\構造訓練集，并訓練得到模型參數值，把Υ中的每一 個八鄰域向量作為輸入代入到訓練模型中得到的輸出實際是Y中對應點的像素亮度值，是 X的低頻近似結果，而非X本身。
[0006] (2)更為重要的原因是X。中所包含的樣本數量不足以正確描述GPR的映射函數f。 如果通過簡單地提取更大尺寸的圖像片來解決樣本不足的問題，那么其會導致來自同一個 圖像片的樣本空間距離較遠，樣本差異過大而難以用同一個映射函數來描述。

【發(fā)明內容】

[0007] 為了解決上述技術問題，本發(fā)明的目的是：提供一種準確、能有效消除偽影，圖像 質量高的基于多任務高斯過程回歸的圖像超分辨率重建方法。
[0008] 本發(fā)明解決其技術問題所采用的技術方案是：
[0009] 一種基于多任務高斯過程回歸的圖像超分辨率重建方法，包括：
[0010] S1、對輸入圖像X。進行高斯低通濾波和雙三次上采樣，得到高斯低通濾波圖像Y。 和雙三次上采樣圖像Y;
[0011] S2、根據待求取的超分辨圖像X的任一圖像片X采用最近鄰域查找法構造圖像片X
i= 1，2, 3，…，Μ，其中，<ef是訓練模型的輸入向量，4ei? 是訓練模型的輸出值，訓練模型的映射函數為A:Rd-R，M為采樣圖像Y的圖像片y在濾波 圖像Yc中最近鄰域圖像片的總個數，《 =Σ?.為訓練樣本的總數量；
[0012] S3、根據構造的訓練集采用多任務高斯過程回歸模型進行參數訓練，得到描述任 務共性和差異的參數；
[0013]S4、根據多任務高斯過程回歸模型對待求取圖像片X進行預測，得到圖像片X的每 一個像素點，然后使圖像片X在圖像X上滑動，重新進行預測，最終得到超分辨圖像X。
[0014] 進一步，所述步驟S2包括：
[0015]S21、在采樣圖像Υ中找到與圖像片X相對應的圖像片y;
[0016]S22、在濾波圖像Y。中找到圖像片y的Μ個最近鄰域圖像片y。1;
[0017]S23、在輸入圖像X。中找到與最近鄰域圖像片7(]1相對應的圖像片Χ(]1，然后對于圖 像片^的每一個像素點4,.，在圖像片^中找到它對應位置的八鄰域向量.ν?，從而圖像片
[0018] 進一步，所述步驟S3包括：
[0019]S31、根據構造的訓練集和先驗約束對多任務高斯過程回歸模型的參數進行描述， 得到相應的參數描述方程；
[0020] S32、采用梯度下降法對得到的參數描述方程進行參數求解，最終得到滿足設定收 斂條件的多任務高斯過程回歸模型參數。
[0021] 進一步，所述步驟S3包括：
[0022] S31、根據構造的訓練集和先驗約束對多任務高斯過程回歸模型的參數進行描述， 得到相應的參數描述方程；
[0023]S32、采用梯度下降法對得到的參數描述方程進行參數求解，最終得到滿足設定收 斂條件的多任務高斯過程回歸模型參數。
[0024] 進一步，所述步驟S31包括：
[0025]S311、求出八鄰域向量％的隱藏變量函數f以及相應的協方差岐1乂，< )，所述隱 藏變量函數f以及相應的協方差的表達式為：
[0027]其中，f?為向量丸對應的隱藏變量，N為正態(tài)分布函數，K為函數f的協方差矩 陣，〇"表不值為0的nXl向量，/彳分別表不不同位置的訓練模型輸入向量，Θ為第 一參數；
[0028] S312、求出圖像片X的訓練集{少心,尤'}Υ=ι輸出值的隱藏變量函數ζ，所述隱藏 變量函數z的表達式為：
[0030] 其中，Ρ= 為第二參數，tanh為雙曲正切函數，D為函數z的協方差，且D為 ηΧη的對角矩陣；
[0031] S313、根據先驗約束求出多任務高斯過程回歸模型的參數描述方程，所述求出的 參數描述方程表達式為：
[0033] 其中，ρ()函數為概率函數，Dkk為D中（k,k)位置的協方差，σi為第i個任務的 噪聲等級，μ為均值，P為標準差。
[0034] 進一步，所述步驟S32包括：
[0035] S321、根據求出的參數描述方程確定目標函數R，所述目標函數R的表達式為：
[0037] 其中，Τ為轉置，g為，g(X)是所有g排列成的列向量，g')為g卜心) 的導數；
[0038] S321、采用梯度下降法計算使目標函數R取值最小時對應的參數Θ、穸、μ、p和 σ1〇
[0039] 進一步，所述步驟S321，其具體為：
[0040] 先固定參數Θ、識、.μ和ρ來求解σ;，然后固定參數σ;來求解Θ、μ和ρ， 直至滿足設定的收斂條件。
[0041] 進一步，所述步驟S4包括：
[0042] S41、根據多任務高斯過程回歸模型對待求取圖像片x進行預測，得到圖像片x的 每一個像素點^，所述像素點^的表達式為：
[0044] 其中，y#為圖像片y中與X$相對應的八鄰域向量，〇 $為X$對應的噪聲等級，
[0045]S42、使圖像片X在圖像X上滑動，重復步驟S41的預測過程，并對重疊區(qū)域采用加 權平均值作為最終結果，直至求出超分辨圖像X。
[0046] 進一步，所述輸入圖像X。為Ycbcr空間的圖像。
[0047] 本發(fā)明的有益效果是：采用最近鄰域查找法來得到待求取的超分辨圖像的訓練 集，然后采用多任務高斯過程回歸模型進行參數訓練，得到描述任務共性和差異的參數，最 后根據任務共性和差異的參數進行預測，通過最近鄰域查找法來避免樣本數量不足的問 題，更加準確；將傳統(tǒng)高斯過程回歸模型與多任務學習思想結合起來，利用任務與任務間的 共性和差異來提高預測的準確度