【技术实现步骤摘要】
基于随机样本分类增扩的GPR图像超分辨率重建方法
本专利技术属于图像超分辨技术,具体为一种基于随机样本分类增扩的GPR图像超分辨率重建方法。
技术介绍
视觉承载了人类80%以上的外界认知信息,由此衍生出的计算机视觉成为人工智能发展的关键技术,并得到广泛的研究与应用。其中,利用一幅或多幅低分辨率图像重建出未知的高分辨率图像的技术,就称为超分辨技术。超分辨技术已广泛应用于现实生活中,包括航空航天、医学检测、刑事侦查等多个领域。现实中,由于硬件或成本上的限制,获取的图像有相当一部分存在分辨率过低、无法提供满意的图像细节等问题。对于这些低分辨图像,如何通过现有理论与技术,重建或预测出对应的未知高分辨图像,这对于图像处理与感知具有重要的现实意义与理论价值。为了提升效率,许多现有的基于高斯过程回归的自学习超分辨方法往往基于局部的样本,这就使得它们无法充分利用自然图像本身广泛存在的块自相似性。针对该问题,文献Fastsingleimagesuper-resolutionusingsparseGaussianprocessregression中的基于高斯过程回归提出了一种非局部的自学习超分辨重建框架,该框架学习出一个非局部高斯过程回归模型而不是基于局部图像的多个高斯过程回归模型来进行超分辨重建。该方法采用主动学习策略来启发式地挑选出更有信息量的样本来训练高斯过程回归模型的回归参数,不仅可以保持更高的重建质量,还可以显著提高计算效率。然而,该方法具有一定的局限性,取样的随机性会导致机器学习得到的映射可能不适用于图像每一处的精确 ...
【技术保护点】
1.一种基于随机样本分类增扩的GPR图像超分辨率重建方法,其特征在于,具体步骤为:/n步骤1:构造训练样本库,所述训练样本库包括原始高分辨率图像以及与高分辨率图像尺寸相同的低分辨率图像组成的图像对;/n步骤2:通过随机分类增扩,将训练样本库分类得到K个训练样本集;/n步骤3:对每个样本集,采用用高斯过程回归的训练方法,训练与每个样本集相对应的高斯过程回归模型;/n步骤4:将待测低分辨率图像插值到预期的尺寸得到图像U
【技术特征摘要】
1.一种基于随机样本分类增扩的GPR图像超分辨率重建方法,其特征在于,具体步骤为:
步骤1:构造训练样本库,所述训练样本库包括原始高分辨率图像以及与高分辨率图像尺寸相同的低分辨率图像组成的图像对;
步骤2:通过随机分类增扩,将训练样本库分类得到K个训练样本集;
步骤3:对每个样本集,采用用高斯过程回归的训练方法,训练与每个样本集相对应的高斯过程回归模型;
步骤4:将待测低分辨率图像插值到预期的尺寸得到图像UI;
步骤5:计算图像UI中图像块与训练样本集的距离;
步骤6:根据图像UI对应的距离最近的样本集对应的高斯过程回归模型,进行图像重建。
2.根据权利要求1所述的基于随机样本分类增扩的GPR图像超分辨率重建方法,其特征在于,所述训练样本库的构造方法为:对原始训练图库中的高分辨率图像进行模糊以及下采样,对下采样后的图像进行插值,使其与对应的原始高分辨率图像尺寸相同,将插值图像与对应的原始高分辨率图像组成图像对;
对图像对中的图像进行分块处理,获得图像矩阵其中Pi(I)表示对第i幅插值图像分块处理之后形成的图像块矩阵,Pi(H)表示第i幅原始高分辨率图像分块处理之后形成的图像块矩阵;
根据图像矩阵确定训练样本库D,具体为:
其中,cen(·)表示提取图像块矩阵的中心像素,cen(Pi(H))-cen(Pi(I))表示提取高分辨率图像中心像素与插值图像中心像素的差值。
3.根据权利要求2所述的基于随机样本分类增扩的GPR图像超分辨率重建方法,其特征在于,对原始训练图库中的高分辨率图像进行模糊以及下采样的公式为:
Lk=(H*Bk)↓+εk,k=1,2,…,K
其中,Lk为第k幅下采样后的图像,H为对应的高分辨率图像,εk为的噪声,Bk为卷积操作,↓为下采样算子。
4.根据权利要求1所述的基于随机样本分类增扩的GPR图像超分辨率重建方法...
【专利技术属性】
技术研发人员:杨明博,彭鹏,吴贞宇,郭超,张军,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。