一种基于AdaBoost实例回归的超分辨率重建方法技术

本发明专利技术公开了一种基于AdaBoost实例回归的超分辨率重建方法，通过统计机器学习方法和最优化估计理论，首先利用K‑SVD字典学习方法从训练集中学习一个具有强表征能力的字典作为锚点，假定每个锚点的K个最近邻初始均为均匀分布的；接着利用脊回归的方法建立一组K个回归器做为初始回归器。然后估计高分辨特征，计算估计误差和回归器系数，更新权重分布，采用AdaBoost回归的思想经过T次增强回归建立一组K个强回归器；最后用于重建的目标回归器与初始回归器和强回归器两部分组成，以有效逼近低分辨与高分辨特征之间复杂的非线性关系，实现处理速度快、重建质量高的实例回归超分辨重建。本发明专利技术可以实现快速、高效、性能更好地实例回归超分辨重建。

【技术实现步骤摘要】
一种基于AdaBoost实例回归的超分辨率重建方法
本专利技术涉及图像处理
，具体涉及一种基于AdaBoost实例回归的超分辨率重建方法。
技术介绍
在日常生活与生产实践的应用中，图像是应用最为广泛的信息载体之一。然而成像系统受器件成本、传输带宽、计算资源以及成像环境等诸多因素的限制，往往很难获得期望的高分辨图像，这给后续的图像处理、分析和理解任务带来极大的挑战。那么，如何获取高分辨率的数字图像是人们非常关心的课题。无疑，提高成像系统物理分辨率是获取高分辨率图像最直接有效的手段。然而，该方法受制造技术和器件成本的限制，仅限于某些特殊应用场合，不便于在实际应用中推广；而且，对许多远距离成像领域，由于受成像环境和各种条件的约束，即使是装配价格昂贵、分辨率级别高的成像设备，也难以获取目标区域的高分辨率影像；此外，随着各种低成本移动多媒体终端的日益普及，人们很容易获取大量具有应用价值的低分辨率影像资源，如何提高它们在高分辨显示设备上的兼容性，增强用户体验感，也是视觉信息处理领域面临的一项重要挑战。超分辨重建是一种借用信号处理技术，将低分辨图像重建成高分辨图像的技术。该技术能有效克服成像设备固有分辨率的不足，突破成像环境的限制，在不改变现有成像系统的前提下，能以最低的成本获取高于成像系统物理分辨率的高质量图像。因此，图像超分辨重建技术是解决上述问题较为经济且有效的手段之一。该技术具有非常广泛的应用前景，是低质量智能安全监控系统中人脸检测与识别技术、智能机器人关键技术，以及多通道、多尺度图像融合技术的基础。该技术的成功应用能有效促进光电子信息技术的发展，同时也能推动物联网视频感知与智能分析技术、车联网智能交通关键技术、遥感成像技术以及移动多媒体通信技术等多个高新技术产业的进步和发展。多年来，经过各个领域专家学者的研究，图像超分辨重建技术取得了重大进展。在现有的超分辨方法中，基于实例学习的超分辨重建技术被广泛一致的认为在重建性能上由于其他基于插值和基于重构的超分辨重建方法，能够恢复出一个具有较高质量的高分辨图像。然而，现有的大多数基于实例学习的算法仍没有很好的恢复出图像的纹理细节与边缘轮廓信息，伪影较为明显。因此，研究重建质量更好的超分辨重建算法，是实例回归超分辨重建技术成功应用的关键所在。基于实例回归超分辨重建方法的主要思想是通过建立低分辨与高分辨图像之间的映射关系，估计在分辨图像中丢失的高频信息，实现高分辨图像的重建。根据重建过程中映射关系建立的方法不同，已有的基于实例学习的超分辨率重建方法可以被细分为四类：基于k-NN(k-NearestNeighbor)学习的方法、基于流形学习的方法、基于字典学习的方法、基于实例回归的方法。虽然基于基于k-NN和基于流形学习的超分辨算法结构简单，重建质量较好，但为了使图像中的复杂结构能得到最优化表示，该类方法对每一个输入特征，都要搜索庞大规模的数据集来做相似性匹配，导致计算时间和空间复杂度都非常高，这也是该类算法一般难以应用在实际中的原因；基于字典的超分辨重建方法假定一个自然图像块可以通过一个学习的超完备字典进行稀疏表示，通过求解正则化最小二乘优化问题建立低分辨与高分辨图像之间的关系。虽然该类算法与与基于k-NN和流形学习的超分辨算法相比，有更好的重建性能和视觉感知效果，但对每一个输入的低分辨特征，该类算法在训练和测试两个阶段均需要求解超完备字典的稀疏表示。因而，当字典规模或需要重建的图像较大时，该类算法的计算成本十分高，难以在实际中普遍应用；基于实例回归的方法通过在低分辨与高分辨特征之间直接做回归进行超分辨重建。虽然该类方法在能保证重建质量和重建速度的同时提高了重建性能，但基于实例回归的方法在映射低分辨与高分辨之间非线性关系时，采用一次简单映射，这难以表征低分辨与高分辨图像之间几何的复杂结构。近些年来，利用卷积神经网络点对点映射低分辨与高分辨图像之间的关系的方法颇受欢迎。与基于实例回归的方法相比，该方法不需要任何有监督特征，同时也能取得更为准确的超分辨结果。
技术实现思路
为了更有效的提升高分辨重建的准确性，本专利技术提出利用AdaBoost回归的思想建立一组能够表征低分辨与高分辨特征之间非线性关系的强回归器的实例回归超分辨重建方法，以单帧低分辨图像的超分辨重建技术为研究对象，利用统计机器学习和最优化理论，学习表征低分辨与高分辨图像之间的复杂结构关系，构造不同的强回归器，逼近低分辨与高分辨之间的非线性关系，实现快速、高效、性能更好地实例回归超分辨重建。为实现上述目的，本专利技术采取的技术方案为：一种基于AdaBoost实例回归的超分辨率重建方法，包括如下步骤：S1、采集高分辨自然图像，模拟图像降质过程，得到低分辨图像；使用双立方插值将低分辨图像放大到所需大小，得到插值图像；分别提取插值图像和原始高分辨图像的低分辨特征以及对应的高分辨特征；随机选择低分辨特征和对应高分辨特征，建立低分辨训练集和高分辨训练集其中表示第i个低分辨特征向量，表示对应的第i个高分辨特征向量，N表示训练集中样本总个数；S2、利用K-SVD字典学习算法从低分辨特征训练集中学习得到一个低分辨字典作为锚点，其中，表示字典Dl中的第i个字典原子，M表示低分辨字典原子的个数，M＝1024；构建第i个锚点对应的低分辨特征训练集上的K个最近邻构成的子集以及第i个锚点对应的高分辨特征的K个最近邻构成的子集其中，K表示欧式距离约束的最相关特征，表示K个最近邻的第k个低分辨特征，表示K个最近邻的第k个高分辨特征，K＝2048；S3、假定Nl和Nh的K个特征向量初始是均匀分布的，即每一个特征向量的初始权重为其中，w1k表示第k特征的权重；S4、利用低分辨图像块特征与高分辨图像块特征间的共现表示关系，建立K个低分辨特征与高分辨特征间的初始线性映射关系，初始时权重这里Fk表示由第k个低分辨与高分辨特征建立的映射关系，λ是一个用来调节奇异解问题的很小的正常数，取λ＝0.00001，I表示单位矩阵；S5、用得到的初始回归器F1与对应的低分辨训练集估计出对应的高分辨特征集计算估计误差计算回归器系数更新权重W的分布；其中，表示低分辨特征中的第k个特征，表示估计出的与对应的第k个高分辨特征，Lk(g)是损耗函数，这里mean(e)表示对误差e求均值。S6、利用AdaBoost回归的思想，重复步骤S3-S6，经过T次迭代得到一组强回归器，其中Ft表示第t次残差回归得到的回归器。特别地，在AdaBoost增强过程中，假设当前是第t次迭代增强，那么要更新的第t+1次的权重Wt+1为：Wt+1＝(wt+1，1，K，wt+1，k，K，wt+1，K)，k＝1，L，K，其中，wt+1，k表示t+1次迭代时第k个特征的权重，Zt是归一化常数，Lk是损耗函数，S7、得到目标回归器F＝[F1，F2]；S8、输入待处理的低分辨彩色图像y，并将图像y从红、绿、蓝的RGB颜色空间转换到YCbCr颜色空间，其中，Y表示亮度分量，两个色差分量Cb和Cr表示颜色信息；S9、对YCbCr颜色空间中的亮度分量使用双立方插值进行3倍放大，得到插值图像Y′；S10、对插值图像Y′提取特征，构成低分辨图像特征测试集其中，xj表示低分辨图像块测试集X中的第j个特征向量，S表示本文档来自技高网...

【技术保护点】
1.一种基于AdaBoost实例回归的超分辨率重建方法，其特征在于，包括如下步骤：S1、采集高分辨自然图像，模拟图像降质过程，得到低分辨图像；使用双立方插值将低分辨图像放大到所需大小，得到插值图像；分别提取插值图像和原始高分辨图像的低分辨特征以及对应的高分辨特征；随机选择低分辨特征和对应高分辨特征，建立低分辨训练集

【技术特征摘要】
1.一种基于AdaBoost实例回归的超分辨率重建方法，其特征在于，包括如下步骤：S1、采集高分辨自然图像，模拟图像降质过程，得到低分辨图像；使用双立方插值将低分辨图像放大到所需大小，得到插值图像；分别提取插值图像和原始高分辨图像的低分辨特征以及对应的高分辨特征；随机选择低分辨特征和对应高分辨特征，建立低分辨训练集和高分辨训练集其中表示第i个低分辨特征向量，表示对应的第i个高分辨特征向量，N表示训练集中样本总个数；S2、利用K-SVD字典学习算法从低分辨特征训练集中学习得到一个低分辨字典作为锚点，其中，表示字典Dl中的第i个字典原子，M表示低分辨字典原子的个数，M＝1024；构建第i个锚点对应的低分辨特征训练集上的K个最近邻构成的子集以及第i个锚点对应的高分辨特征的K个最近邻构成的子集其中，K表示欧式距离约束的最相关特征，表示K个最近邻的第k个低分辨特征，表示K个最近邻的第k个高分辨特征，K＝2048；S3、假定Nl和Nh的K个特征向量初始是均匀分布的，即每一个特征向量的初始权重为W1＝(w11，K，w1k，L，w1K)，其中，w1k表示第k特征的权重；S4、利用低分辨图像块特征与高分辨图像块特征间的共现表示关系，建立K个低分辨特征与高分辨特征间的初始线性映射关系，初始时权重这里Fk表示由第k个低分辨与高分辨特征建立的映射关系，λ是一个用来调节奇异解问题的很小的正常数，取λ＝0.00001，I表示单位矩阵；S5、用得到的初始回归器F1与对应的低分辨训练集估计出对应的高分辨特征集计算估计误差计算回归器系数更新权重W的分布；其中，表示低分辨特征中的第k个特征，表示估计出的与对应的第k个高分辨特征，Lk(g)是损耗函数，这里mean(e)表示对误差e求均值；S6、利用AdaBoost回归的思想，重复步骤S3-S6，经过T次迭代得到一组强回归器，其中Ft表示第t次残差回归得到的回归器；特别地，在AdaBoost增强过程中，假设当前是第t次迭代增强，那么要更新的第t+1次的权重Wt+1为：Wt+1＝(wt+1，1，K，wt+1，k，K，wt+1，K)，k＝1，L，K，其中，wt+1，k表示t+1次迭代时第k个特征的权重，Zt是归一化常数，Lk是损耗函数，S7、得到目标回归器F＝[F1，F2]；S8、输入待处理的低分辨彩色图像y，并将图像y从红、绿、蓝的RGB颜色空间转换到YCbCr颜色空间，其中，Y表示亮度分量，两个色差分量Cb和Cr表示颜色信息；S9、对YCbCr颜色空间中的亮度分量使用双立方插值进行3倍放大，得到插值图像Y′；S10、对插值图像Y′提取特征，构成低分辨图像特征测试集其中，xj表示低分辨图像块测试集X中的第j个特征向量，S表示该测试集X中样本总个数；S11、对低分辨图像块测试集中每个特征向量xj，在锚点集中查找与xj最匹配的锚点使用F1中对应的特...

【专利技术属性】
技术研发人员：张凯兵，王珍，闫亚娣，刘秀平，景军锋，苏泽斌，朱丹妮，李敏奇，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61