[发明专利]一种基于高斯过程回归的图像超分辨率重建方法

权利要求书

1.一种基于高斯过程回归的图像超分辨率重建方法，其特征在于：包括训练阶段和测试阶段两部分，其中所述训练阶段的步骤为：

S1、将高分辨率样本图像集H＝(h₁,h₂,...,h_n)进行处理得到高频低分辨率图像集其中h_i表示第i个高分辨率样本图像，表示第i个高频低分辨率图像；

S2、分别对步骤S1中的高分辨率图像集H、高频低分辨率图像集L_F进行分块操作，得到样本训练集P_l^H表示第i个高分辨率图像块，P_l^LF表示第i个低分辨率图像块，m表示图像块的个数；

S3、将步骤s2得到的样本训练集聚类为c个簇类，用M＝{m₁,m₂,...,m_c}表示，其中m_i表示一个簇集合；

S4、基于聚类集合M中的每个子集合分别训练高斯过程回归模型G；

所述测试阶段的步骤为：

S5、将待测试低分辨率图像I_t插值放大至需要大小，记为低分辨率插值图像I_h；

S6、将低分辨率插值图像I_h进行分块X＝{x₁,x₂,...,x_n}，将每个图像块x_i作为输入，利用高斯过程回归模型预测x_i中丢失的像素值y*；

S7、将y*插入图像块x_i；

S8、根据图像块对应的位置将各个块组合起来重建出高分辨率图像。

2.根据权利要求1所述一种基于高斯过程回归的图像超分辨率重建方法，其特征在于：所述高频低分辨率图像集L_F是通过以下步骤得到的，将高分辨率样本图像集H＝(h₁,h₂,...,h_n)利用模糊核大小为7×7、标准方差为1.1的高斯模糊核函数进行处理，然后进行3倍下采样处理，得到低分辨率图像集L＝(l₁,l₂,...,l_n)，l_i表示第i个低分辨率图像，对低分辨图像集进行双三次插值算法放大处理至高分辨率图像大小，得到高频低分辨率图像集

3.根据权利要求1所述一种基于高斯过程回归的图像超分辨率重建方法，其特征在于：所述聚类的步骤如下：

(S3a)设置加权指数n，终止阈值ε，最大迭代次数r_max，当前迭代次数r＝1；

(S3b)利设置类簇个数c，以及初始聚类中心V⁽⁰⁾；

(S3c)设置D_i＝1,i＝1,2,...,c，D_i表示第i个类簇的分散度值；

(S3d)计算隶属度矩阵其中x_k表示第k个样本，v_t表示第t个聚类中心；

(S3e)计算各类的分散度值，其中C_i表示第i个类簇，v_i表示第i个聚类中心，N表示样本的数量；

(S3f)计算各类簇的聚类中心其中表示第k个样本到t个聚类中心的隶属度值；

(S3g)若||v_i-v_(i-1)||＜ε或r＞r_max，则停止迭代，输出聚类结果；否则r＝r+1，返回步骤(S3d)。

4.根据权利要求1所述一种基于高斯过程回归的图像超分辨率重建方法，其特征在于：所述步骤S4具体包括：

(S4a)对于输入样本x与测试样本x^*，定义的核函数k(x,x^*)为：

其中，||·||表示约束范式，σ_n表示高斯核的标准差；

(S4b)σ_n由下式自适应确定，即：

其中，ρ为比例系数；

(S4c)假设训练样本集D＝{x_i,y_i|i＝[1,n]}得到观察值列向量Y＝{y₁,y₂,...y_n}，那么可以计算k(x,x^*)的协方差矩阵：

其中x_i表示第i个低分辨率样本，y_i表示第i个高分辨率样本；

(S4d)高斯过程回归模型采用的似然函数定义如下：

其中y、y^T分别表示输入样本和y的转置；

(S4d)极小化L是一个非凸的优化问题，利用共轭梯度法优化算法，求得超参数最优解。