f、1和均為待求的多任務(wù)高斯模型 參數(shù)；
[0063]S332、根據(jù)圖像XH訓(xùn)練樣本對集合以及所有訓(xùn)練樣本的描述方程確定似然函數(shù) R(x)，所述似然函數(shù)R(x)的表達式為：
[0065] 其中，服從對數(shù)正態(tài)分布，μ為對數(shù)正態(tài)分布的均值，p為對數(shù)正態(tài)分布 的標準差；
[0066] S333、采用梯度下降法求出使似然函數(shù)R(x)取得最小值時對應(yīng)的多任務(wù)高斯模 型參數(shù)?f、1和;
[0067] S334、根據(jù)多任務(wù)高斯模型參數(shù)〇f、l和算圖像XH樣本測試矩陣的輸出 Y*，所述測試矩陣的輸出Y*的表達式為：
[0068] Y*=f(X*) =K(X*，X)[K(X，X) +D]TY。
[0069] 進一步作為優(yōu)選的實施方式，所述步驟S22在通過最近鄰域查找法查找時在以圖 像ΧΗ所抽取的第i個圖像片對應(yīng)的位置為中心，30X30大小的區(qū)域內(nèi)進行查找。
[0070] 進一步作為優(yōu)選的實施方式，所述步驟S22在對雙三次上采樣圖像XH所抽取的第 i個圖像片通過最近鄰域查找法查找之前還包括根據(jù)圖像XH所抽取的圖像片的方差大小和 設(shè)定閾值進行初步分類的步驟。
[0071] 實施例一
[0072] 參照圖1和圖2,本發(fā)明的第一實施例：
[0073] 針對現(xiàn)有的圖像超分辨率重建方法無法同時兼顧運算速度以及重建圖像質(zhì)量的 缺點，本發(fā)明提出了一種快速高質(zhì)的圖像超分辨率重建方法，如圖2所示。該方法將輸入圖 像八通過高斯低通濾波器做濾波處理得到結(jié)果圖像A，將1通過雙三次方法上采樣到目標 尺寸來得到與目標圖像尺寸相同的圖像XH，然后利用圖像1和XH來估計出X應(yīng)的高 分辨率圖像YH，最后通過反向投影法得到最終的超分辨率圖像。如圖1和2所示，本發(fā)明的 具體實現(xiàn)過程為：
[0074] (1).首先從圖像八和圖像X沖以aXa大小的尺寸抽取圖像片集合 P表示圖像片位置，進而構(gòu)造圖像片對訓(xùn)練集D= 。
[0075] (2).由于在圖像XH中有重疊的抽取圖像片，故對圖像XH的第i個圖像片而言，通 過將它和\中的圖像片進行比較，在數(shù)據(jù)集D中找到距離它最近的k個樣本對，以構(gòu)造出 它的樣本對集合^.,1^』，其中巧=[^，...，#『是對應(yīng)訓(xùn)練集合中圖像片坨的列 向量形式，叫為拉中元素個數(shù)。χ?,χ;2,…，xf'，x/是在圖像片If中與像素點y/'位 置相對應(yīng)像素點的8鄰域組成的列向量；X= [XdX2,. . .，XJ，Y= [YdY2,. . .，YJ為所有樣 本的矩陣形式。
[0076] (3).對圖像ΧΗ的每一個樣本對引入高斯過程回歸模型來進行描述，可得到：
[0078]ε 對圖像XΗ樣本的噪聲，服從均值是0,協(xié)方差矩陣為σV&的高斯分布，erf 代表噪聲的等級。與之相對應(yīng)，整個樣本集合的高斯過程回歸模型可以寫成：
[0080] 其中，協(xié)方差矩陣D是對角矩陣，其形式為：
[0081]
[0082] (4).對于在圖像XH抽取出的第i個圖像片，本實施例需采用圖像片中的每一個像 素點的八鄰域來構(gòu)造測試矩陣…，那么訓(xùn)練輸出Y和測試輸出Y*的 聯(lián)合分布為：
[0084] 其中，協(xié)方差矩陣1(仏乂>>)、1(?>>，幻和1(仏幻第 111行第11列元素、"的表達式為：
[0086] 為了確定高斯模型的參數(shù)〇f、i和,假定服從對數(shù)正態(tài)分布，此時 采用梯度下降法求解似然函數(shù)R(x)的最小值就可以確定所需的參數(shù)〇f、l和·(％；}=，如下 式所示：
[0088] 確定參數(shù)0f、1和·^,^1后，即可估計出測試矩陣的輸出I為：
[0089] Y* =f(X*) =K(X*，X)[K(X，X) +D]TY。
[0090] (5).在不降低超分辨率重建結(jié)果質(zhì)量的情況下，為了進一步加快算法的速度，本 實施例在通過最近鄰域查找法查找最近鄰域的過程中只在以抽取的圖像片對應(yīng)的位置為 中心，30X30大小的區(qū)域內(nèi)查找，這樣大大降低了查找需要消耗的時間。
[0091] 另外，本實施例還根據(jù)設(shè)定的閾值a對在圖像ΧΗ所抽取出的圖像片做初步的分 類：如果圖像片的方差大于a，則判定該圖像片來自紋理或邊緣等細節(jié)信息較為豐富的區(qū) 域，此時執(zhí)行步驟（4);若圖像片的方差小于a，則判定圖像片來自圖像的平滑區(qū)域，此時直 接用雙三次插值的方法放大到目標尺寸。
[0092] (6).所有從XH中抽取出圖像片處理完畢后，對多任務(wù)高斯模型輸出YH中重疊的 位置進行加權(quán)平均后再通過反向投影，即可重構(gòu)出最終的高分辨率圖像。
[0093] 本發(fā)明提出的圖像超分辨率重建方法從圖像本身的特性出發(fā)，有別于以往的高斯 過程回歸算法，其假定來自不同位置的樣本有不同的噪聲級別，擴展了高斯過程回歸算法。 該方法的圖像片與圖像片之間可以獨立運行，很容易被改造成并行算法或引入到GPU進行 處理，進一步加快算法的運行時間，以實現(xiàn)對視頻圖像的實時處理。同時，該方法對于高分 辨率結(jié)果中的每一個像素點都可以計算其引入誤差的概率，為后面進一步提高圖像質(zhì)量提 供了可能。
[0094] 下表1、2分別展示了采用本發(fā)明的方法與幾種傳統(tǒng)算法進行圖像超分辨率重建 的質(zhì)量評價比較和運行時間（其中，Lena、baboon、peppers和parrot均為國際標準測試 圖像，Bicubic為雙三次算法，Yangetal.算法和Heetal.算法分別為Yangetal等人以及 Heetal等人提出的超分辨率重建算法，PSNR為峰值信噪比，SS頂為結(jié)構(gòu)相似性指標），從表 1、2可以看出，本發(fā)明的方法在很大程度上優(yōu)于當前圖像超分辨率重建的前沿算法。
[0095] 表1圖像放大三倍PSNR和SS頂?shù)谋容^結(jié)果
[0097]表2運行時間的比較 （單位：秒）
[0099] 以上是對本發(fā)明的較佳實施進行了具體說明，但本發(fā)明創(chuàng)造并不限于所述實施 例，熟悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可做作出種種的等同變形或替 換，這些等同的變形或替換均包含在本申請權(quán)利要求所限定的范圍內(nèi)。
【主權(quán)項】
1. 一種快速高質(zhì)的圖像超分辨率重建方法，其特征在于：包括： 81、對輸入圖像￥^分別進行高斯低通濾波和雙立次上采樣，得到高斯低通濾波圖像)(^ 和雙Ξ次上采樣圖像Xh; 52、 根據(jù)輸入圖像Y許日高斯低通濾波圖像XJ勾建圖像對訓(xùn)練集，然 后根據(jù)圖像對訓(xùn)練集D采用最近鄰域查找法得到圖像向的訓(xùn)練樣本對集合，其中，P表示圖 像片的位置； 53、 采用多任務(wù)高斯過程回歸模型對圖像向的訓(xùn)練樣本對集合進行描述，然后采用梯 度下降法進行參數(shù)訓(xùn)練，求出圖像向樣本所對應(yīng)的多任務(wù)高斯模型參數(shù)W及多任務(wù)高斯模 型輸出Υη，所述圖像向樣本所對應(yīng)的多任務(wù)高斯模型參數(shù)為圖像Χη不同位置的樣本賦予了 不同的噪聲級別； 54、 對求出的多任務(wù)高斯模型輸出Υη采用反向投影法得到最終的超分辨率圖像。2. 根據(jù)權(quán)利要求1所述的一種快速高質(zhì)的圖像超分辨率重建方法，其特征在于：所述 步驟S2,其包括： 521、 從輸入圖像￥式日高斯低通濾波圖像X^中抽取圖像片集合，進而構(gòu)建 相應(yīng)的圖像對訓(xùn)練集522、 對雙Ξ次上采樣圖像向所抽取的第i個圖像片通過最近鄰域查找法查找到其在 圖像對訓(xùn)練集D中的k個最近樣本對，進而構(gòu)建圖像向的訓(xùn)練樣本對集合，其 中，是圖像對訓(xùn)練集〇中圖像￥^第1個圖像片7^^的像素點的列向量 形式，。1為巧中元素的個數(shù)；，:x/是由圖像片馬中與像素點y/位置 相對應(yīng)像素點的8鄰域所組成的列向量，i= 1，2,…，k;j= 1，2,…，η;。3. 根據(jù)權(quán)利要求2所述的一種快速高質(zhì)的圖像超分辨率重建方法，其特征在于：所述 步驟S3,其包括： 531、 采用多任務(wù)高斯過程回歸模型對圖像向的訓(xùn)練樣本對集合$行描 述，得到圖像向訓(xùn)練樣本對集合的描述方程，所述得到的描述方程為：其中，El為圖像Χη訓(xùn)練樣本對集合對應(yīng)的噪聲，ε1服從均值是0且協(xié)方差矩陣為c/i；,的高斯分布，of代表噪聲的等級，是ΠιΧηι大小的單位矩陣； 532、 根據(jù)圖像向訓(xùn)練樣本對集合對應(yīng)的描述方程得到所有訓(xùn)練樣本的描述方程，所述 所有訓(xùn)練樣本的描述方程為：其中，X=拓，X2，...，Xk]，Y=恥Y2，...，Yk]，ε為所有訓(xùn)練樣本對應(yīng)的噪聲，ε服 從均值是0且協(xié)方差矩陣為D的高斯分布，D是對角矩陣且滿足：S33、根據(jù)圖像向訓(xùn)練樣本對集合W及所有訓(xùn)練樣本的描述方程采用梯度下降法進行 參數(shù)訓(xùn)練，求出圖像向樣本所對應(yīng)的多任務(wù)高斯模型參數(shù)。4.根據(jù)權(quán)利要求3所述的一種快速高質(zhì)的圖像超分辨率重建方法，其特征在于：所述 步驟S33,其包括： 5331、 為圖像向第i個圖像片中每一個像素點的八鄰域構(gòu)造測試矩陣從而得到所有訓(xùn)練樣本的訓(xùn)練輸出Y和圖像向樣本的測試輸出Y*的聯(lián)合分布，所述得到的聯(lián)合分布為：其中，K〇(，xj、K〇?，訝和K0(，訝分別為〇(，)〇、〇?，訝和化訝的協(xié)方差矩陣，矩陣Κ化)〇、Κ〇?，訝和Κ化訝第m行第η列元素km,。的表達式為：，參數(shù)0。1和均為待求的多任務(wù)高斯模型參 數(shù)； 5332、 根據(jù)圖像向訓(xùn)練樣本對集合W及所有訓(xùn)練樣本的描述方程確定似然函數(shù)R(x)， 所述似然函數(shù)R(x)的表達式為：其中，(口，'}^=1服從對數(shù)正態(tài)分布，μ為對數(shù)正態(tài)分布的均值，P為對數(shù)正態(tài)分布的標 準差； 5333、 采用梯度下降法求出使似然函數(shù)R(x)取得最小值時對應(yīng)的多任務(wù)高斯模型參 數(shù)0f、1和5334、 根據(jù)多任務(wù)高斯模型參數(shù)σf、1和計算圖像向樣本測試矩陣的輸出Y*， 所述測試矩陣的輸出Y*的表達式為： Υ*=f狂 *) =κ狂*，X)[Κ〇(，訝 +D]Τγ。5. 根據(jù)權(quán)利要求2所述的一種快速高質(zhì)的圖像超分辨率重建方法，其特征在于： 所述步驟S22在通過最近鄰域查找法查找時在W圖像向所抽取的第i個圖像片對應(yīng) 的位置為中心30X30大小的區(qū)域內(nèi)進行查找。6. 根據(jù)權(quán)利要求2所述的一種快速高質(zhì)的圖像超分辨率重建方法，其特征在于：所述 步驟S22在對雙Ξ次上采樣圖像向所抽取的第i個圖像片通過最近鄰域查找法查找之前 還包括根據(jù)圖像向所抽取的圖像片的方差大小和設(shè)定闊值進行初步分類的步驟。
【專利摘要】本發(fā)明公開了一種快速高質(zhì)的圖像超分辨率重建方法，包括：對輸入圖像YL分別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XL和雙三次上采樣圖像XH；根據(jù)輸入圖像YL和高斯低通濾波圖像XL構(gòu)建圖像對訓(xùn)練集然后根據(jù)圖像對訓(xùn)練集D采用最近鄰域查找法得到圖像XH的訓(xùn)練樣本對集合；采用多任務(wù)高斯過程回歸模型對圖像XH的訓(xùn)練樣本對集合進行描述，然后采用梯度下降法進行參數(shù)訓(xùn)練，求出圖像XH樣本所對應(yīng)的多任務(wù)高斯模型參數(shù)以及多任務(wù)高斯模型輸出YH；對求出的多任務(wù)高斯模型輸出YH采用反向投影法得到最終的超分辨率圖像。本發(fā)明具有速度快且效果好的優(yōu)點，可廣泛應(yīng)用于圖像處理領(lǐng)域。
【IPC分類】G06T5/00
【公開號】CN105405107
【申請?zhí)枴緾N201510703679
【發(fā)明人】李鍵紅
【申請人】廣州高清視信數(shù)碼科技股份有限公司
【公開日】2016年3月16日
【申請日】2015年10月23日