[發(fā)明專利]基于壓縮感知和SVR的單幅圖像SR重建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611185549.8
• 申請(qǐng)日: 2016-12-20
• 公開(kāi)（公告）號(hào): CN106815806B
• 公開(kāi)（公告）日: 2020-01-10
• 發(fā)明（設(shè)計(jì)）人: 秦緒佳;肖佳吉;鄭紅波
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06T3/40
• 分類號(hào): G06T3/40;G06T7/13;G06T5/00;G06K9/62;G06K9/46
• 代理公司: 33241 杭州斯可睿專利事務(wù)所有限公司
• 代理人: 王利強(qiáng)

一種基于壓縮感知和SVR的單幅圖像SR重建方法，包括以下步驟：步驟1：圖像塊分類，根據(jù)圖像當(dāng)前像素點(diǎn)是屬于邊緣還是背景來(lái)分類保存其周圍的設(shè)定尺寸圖像塊；步驟2：圖像塊稀疏表示，使用training_instance來(lái)訓(xùn)練字典D，再使用得到的D和training_instance來(lái)稀疏編碼得到稀疏向量alpha；步驟3：SVR學(xué)習(xí)和預(yù)測(cè)，把所述重建問(wèn)題看成是一個(gè)回歸問(wèn)題，把正中間像素灰度與當(dāng)前圖像塊灰度均值的差值作為像素的標(biāo)簽；使用ν?SVR模型來(lái)找到LR圖像塊和HR圖像塊中心像素標(biāo)簽之間的映射函數(shù)。本發(fā)明訓(xùn)練耗時(shí)較短、解決利用外部圖像訓(xùn)練產(chǎn)生虛假細(xì)節(jié)的問(wèn)題、重建細(xì)節(jié)更加真實(shí)。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)圖像處理領(lǐng)域，涉及一種單幅圖像SR重建方法。

背景技術(shù)

視頻超分辨率(Super-Resolution，SR)技術(shù)是這幾年才發(fā)展起來(lái)的新技術(shù)，主要作用是對(duì)低分辨率(Low-Resolution，LR)視頻序列SR重建得到高分辨率(High-Resolution，HR)視頻序列。通過(guò)SR重建技術(shù)來(lái)提高現(xiàn)有監(jiān)控設(shè)備的分辨率，對(duì)于優(yōu)化現(xiàn)有的監(jiān)控系統(tǒng)具有重大的實(shí)際意義。

現(xiàn)有的基于學(xué)習(xí)外部圖像庫(kù)的SR重建存在著以下幾個(gè)缺陷：(1)由于其HR圖像塊來(lái)源于外部圖像庫(kù)，并非是真實(shí)的圖像細(xì)節(jié)，在很大程度上算是一種“圖像幻想”。(2)當(dāng)外部圖像庫(kù)和當(dāng)前待處理圖像不屬于同一類型圖像時(shí)就會(huì)很容易出現(xiàn)錯(cuò)誤的高頻細(xì)節(jié)。(3)一般需要龐大的外部訓(xùn)練庫(kù)而且訓(xùn)練耗時(shí)也比較長(zhǎng)。比如研究者發(fā)現(xiàn)利用大約100幅外部圖像來(lái)訓(xùn)練字典，其訓(xùn)練耗時(shí)竟達(dá)32個(gè)小時(shí)，除此之外還因?yàn)橥獠繄D像庫(kù)和當(dāng)前降質(zhì)圖像在紋理、顏色特征等方面上可能存在的一定的差異，就很容易出現(xiàn)虛假的高頻細(xì)節(jié)。在2006年提出的壓縮感知理論是一種全新的信號(hào)采樣理論，其優(yōu)點(diǎn)在于它突破了Nyquist采樣定理的限制，充分利用了信號(hào)的稀疏性。支持向量回歸(SVR)是支持向量機(jī)的推廣，具有良好的預(yù)測(cè)未知數(shù)據(jù)的能力。有研究人員提出的基于SVR的圖像SR方法，在訓(xùn)練階段分類并稀疏編碼輸入的圖像塊，再用SVR學(xué)習(xí)，最后在預(yù)測(cè)階段用學(xué)習(xí)好的模型預(yù)測(cè)高頻圖像塊。在這過(guò)程中他們分割圖像是采用Mean Shift算法。但相關(guān)文獻(xiàn)表明，Mean Shift算法在確定初始密度中心時(shí)，如果特征空間的初始位置是隨機(jī)選取的，就可能得不到的較好的聚類結(jié)果，最終導(dǎo)致分割后的圖像的不一致。另外，過(guò)分割圖像是指對(duì)圖像的過(guò)度分割，即把原本屬于一個(gè)整體的目標(biāo)分成了多個(gè)。經(jīng)過(guò)過(guò)分割處理后的，可能原先是背景的像素被當(dāng)作某個(gè)物體的邊緣，這樣就可能會(huì)導(dǎo)致在后面的圖像塊分類處理中，原本應(yīng)該屬于背景集合的圖像塊會(huì)被歸類到了邊緣的集合中，從而使得之后訓(xùn)練得到的SVR模型不準(zhǔn)確，重建圖像的邊緣也會(huì)在一定程度地出現(xiàn)模糊。

發(fā)明內(nèi)容

為了克服已有基于外部圖像庫(kù)的SR重建方法的訓(xùn)練耗時(shí)長(zhǎng)，容易出現(xiàn)錯(cuò)誤的高頻細(xì)節(jié)問(wèn)題的不足，本發(fā)明提供一種訓(xùn)練耗時(shí)較短、解決利用外部圖像訓(xùn)練產(chǎn)生虛假細(xì)節(jié)的問(wèn)題、重建細(xì)節(jié)更加真實(shí)的基于壓縮感知和SVR的單幅圖像SR重建方法。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：

一種基于壓縮感知和SVR的單幅圖像SR重建方法，所述重建方法包括以下步驟：

步驟1：圖像塊分類，根據(jù)圖像當(dāng)前像素點(diǎn)是屬于邊緣還是背景來(lái)分類保存其周圍的設(shè)定尺寸圖像塊；

步驟2：圖像塊稀疏表示，使用training_instance來(lái)訓(xùn)練字典D，再使用得到的D和training_instance來(lái)稀疏編碼得到稀疏向量alpha；

步驟3：SVR學(xué)習(xí)和預(yù)測(cè)，把所述重建問(wèn)題看成是一個(gè)回歸問(wèn)題，SVR用于解決如下最優(yōu)化問(wèn)題：

其中，0≤ν≤1，對(duì)于回歸問(wèn)題，用ν來(lái)代替ε，而對(duì)于分類問(wèn)題，用ν來(lái)代替C；