[發明專利]基于組合平均極限學習機的單圖像超分辨率重建方法

有效

• 申請號: 201711473683.2
• 申請日: 2017-12-29
• 公開（公告）號: CN108198134B
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 柳映輝
• 申請（專利權）人: 天津科技大學
• 主分類號: G06T3/40
• 分類號: G06T3/40
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 崔自京

本發明涉及一種基于組合平均極限學習機的單圖像超分辨率重建方法，包括以下步驟：用一組樣本大圖像處理后分別訓練4s個極限學習機；按照均方根誤差從小到大的順序排序4s個極限學習機，選取前2s個；再按照隱層輸出矩陣的條件數從小到大排序，選取前s個用簡單平均機制形成組合平均極限學習機；輸入小尺寸圖像Is，線性插值得到大尺寸圖像Io，將Io輸入組合平均極限學習機得到輸出圖像Id；圖像Io疊加圖像Id形成最終輸出清晰大尺寸圖像Ib。本發明在圖像超分辨率重建時，在不顯著增加算法復雜度的情況下，有效地提升算法穩定性和泛化能力，訓練速度極快，其方法簡便易用，可廣泛應用于各種圖像處理和圖像超分辨率重建系統中。

技術領域

本發明屬于數字圖像處理領域，尤其是一種基于組合平均極限學習機的單圖像超分辨率重建方法。

背景技術

在信息技術迅猛發展的今天，視頻、圖像越來越成為信息的重要載體，例如：在視頻監控領域，無處不在的攝像機每天都記錄下海量的數據。攝像機獲取的圖像大小一方面受限于攝像機自身分辨率，另一方面為了減少視頻數據存儲容量采用有損視頻壓縮算法，這也導致圖像分辨率降低。而在應用中，人們希望圖像分辨率盡可能要大，這樣圖像更清晰，能提供更多細節。二者之間存在不可協調的矛盾。人們希望能用小尺寸低分辨率圖像重建構造出大尺寸高分辨率圖像，并補充其中缺失的細節(高頻信息)，因此，圖像超分辨率重建算法應運而生。

2013年Le An等人提出了一種基于極限學習機的圖像超分辨率重建算法。該算法使用單個極限學習機進行預測，穩定性較差。而簡單平均機制是一種通用的方法，可以有效地提高極限學習機的穩定性，但是并不是所有的個體都對組合具有正面貢獻，因此如何篩選好的個體，刪除壞的個體，也是一個具有挑戰性的問題。

發明內容

本發明的目的在于克服現有技術的不足，提出一種設計合理、能夠有效提升算法穩定性和泛化能力的基于組合平均極限學習機的單圖像超分辨率重建方法。

本發明解決其技術問題是采取以下技術方案實現的：

一種基于組合平均極限學習機的單圖像超分辨率重建方法，包括以下步驟：

步驟1：對一組樣本大圖像I1，采用先降采樣再升采樣算法得到圖像I2，將兩圖相減得到圖像圖像I3＝I1-I2；

步驟2：用圖像I2、圖像I3訓練4s個極限學習機；

步驟3：按照均方根誤差從小到大的順序排序4s個極限學習機，選取前2s個誤差較小的極限學習機；

步驟4：按照隱層輸出矩陣條件數從小到大排序2s個極限學習機，選取前s個條件數較小的極限學習機，然后采用簡單平均機制形成組合平均極限學習機；

步驟5：輸入小尺寸圖像Is，利用線性插值得到大尺寸圖像Io，將圖像Io輸入組合平均極限學習機得到輸出圖像Id；

步驟6：將圖像Io疊加到同尺寸圖像Id上，形成最終輸出的清晰大尺寸圖像Ib，完成圖像超分辨率重建。

本發明的優點和積極效果是：

1、本發明根據均方根誤差和隱層輸出矩陣條件數雙重排序選擇，篩選出性能較好的極限學習機，采用簡單平均機制形成組合平均極限學習機，在不顯著增加算法復雜度的情況下，有效地提升算法穩定性和泛化能力。

2、本發明在圖像超分辨率重建時，不顯著增加實時計算量，不需要迭代循環，訓練速度極快，本方法簡便易用，可廣泛應用于各種圖像處理和圖像超分辨率重建系統中。

附圖說明

圖1為本發明的總體流程圖；

圖2為本發明的極限學習機訓練過程流程圖。

具體實施方式

以下結合附圖對本發明實施例做進一步詳述。