基于多输出最小二乘支持向量回归的图像超分辨方法
专利汇可以提供基于多输出最小二乘支持向量回归的图像超分辨方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于多输出最小二乘支持向量回归的图像超分辨方法，主要解决现有图像 分辨率 低的问题。其实现步骤为：(1)建立HR 亮度 图像和LR亮度图像的样本库，并创建LR图像矩阵和HR图像矩阵；(2)根据图像矩阵创建实现3倍放大的训练集和测试集；(3)利用训练集训练多输出最小二乘支持向量回归机 预测模型 ；(4)使用最小二乘支持向量回归预测模型估计测试集中的低分辨率图像矩阵的高分辨率亮度图像；(5)利用图像自相似性对估计的高分辨率亮度图像进行更新，得到最终的高分辨率图像。本发明不仅运行时间短，而且能够有效地提高图像分辨率，可用于改善卫星图像、高清晰电视成像 质量 。，下面是基于多输出最小二乘支持向量回归的图像超分辨方法专利的具体信息内容。
1.一种基于多输出最小二乘支持向量回归的图像超分辨方法，包括如下步骤：
(1)建立高分辨率亮度图像和低分辨率亮度图像的样本库：在网上随机下载t幅高分辨率图像，经下采样3倍后得到t幅低分辨率图像，将这些高分辨率图像和低分辨率图像映射到由亮度和色度分量组成的YIQ空间，提取每幅图像的亮度分量Y生成高分辨率亮度图像样本库和低分辨率亮度图像样本库；
(2)利用高分辨率亮度图像样本库和低分辨率亮度图像样本库，创建低分辨率图像矩阵 和高分辨率图像矩阵
(3)利用低分辨率图像矩阵 和高分辨率图像矩阵 创建实现3倍放大的训练集和测试集：
(3a)从高分辨率图像矩阵 和低分辨率图像矩阵 中随机选取10幅图像对应的矩阵，从每个低分辨率图像矩阵L中任意选取50个行向量，在相应的高分辨率图像矩阵H中按照对应位置选取50个行向量，将10幅图像中选取的50个行向量拼接，生成大小为
500×9的低分辨率矩阵ILR和大小为500×9的高分辨率矩阵IHR；将低分辨率矩阵ILR和高分辨矩阵IHR作为一组训练集，分别用于训练回归模型时的输入和输出；
(3b)将剩余的n幅图像对应的低分辨率图像矩阵 作为测试集；
(4)训练多输出最小二乘支持向量回归机预测模型：
(4a)取训练集中的低分辨率矩阵ILR作为输入，高分辨率矩阵IHR作为输出，利用多输出最小二乘支持向量回归机模型训练超参数α和阈值b；
(4b)利用超参数α和阈值b得到多输出最小二乘支持向量回归预测模型；
(5)初始估计测试集中的低分辨率图像矩阵L的高分辨率亮度图像
(5a)将测试集中的低分辨率矩阵L作为最小二乘支持向量回归机预测模型的输入，预测出高分辨率矩阵
(5b)将预测得到的高分辨率矩阵 的每个行向量排成3×3的图像块，并按照从左到右，从上到下的顺序排成高分辨率亮度图像 每行包含的图像块和每列包含的图像块等于低分辨率图像的行数和列数；
(6)利用图像自相似性更新高分辨率亮度图像 以得到最终的高分辨率亮度图像(6a)将预测出的高分辨率亮度图像 分割成5×5的图像块，对于每个以像素xi为中心的图像块 在以像素xi为中心的13×13区域内，取与图像块 相似的图像块 图像块 的中心像素为xj，大小为5×5；
(6b)计算图像块 和它的相似图像块 的相似性权值
其中hn是控制指数表达式衰减速度的全局滤波参数，G表示给靠近图像块中心的像素赋予较大权值的核矩阵， 表示将图像 中的第i个图像块 拉成列向量的操作；
(6c)利用图像自相似性更新高分辨率亮度图像 得到最终的高分辨率亮度图像其中，Si表示图像块 的相似像素排成的列向量， 表示由图像块 的相似像素计算得到的相似性权值构成的行向量，xi是高分辨率亮度图像 的第i个像素；
(7)将高分辨率亮度图像 对应的低分辨率测试图像在YIQ空间的色度分量I和Q利用双三次方插值3倍后作为高分辨率图像色度空间的估计值，将该估计值与高分辨率亮度图像 一起组成YIQ空间上的结果图像，并将该结果图像转换到RGB颜色空间，将转换结果作为最终的高分辨率图像。
2.根据权利要求1所述的基于多输出最小二乘支持向量回归的图像超分辨方法，其中所述步骤（2）中创建低分辨率图像矩阵 按如下步骤进行：
(2a)对于低分辨率亮度图像样本库中的每幅图像按照从左到右、从上到下的顺序取以图像中每个点为中心像素点的3×3图像块；
(2b)将每幅低分辨率亮度图像得到的3×3的图像块拉成行向量，由此得到t幅低分辨率图像对应的t个低分辨率图像矩阵 该低分辨率图像矩阵的行数为图像像素点数，列数为9。
3.根据权利要求1所述的基于多输出最小二乘支持向量回归的图像超分辨方法，其中所述步骤（2）中创建高分辨率图像矩阵 按如下步骤进行：
(2c)对于高分辨率亮度图像样本库中的每幅图像按照从左到右、从上到下的顺序取以图像中每个点为中心像素点的3×3图像块；
(2d)将每幅高分辨率亮度图像得到的3×3的图像块拉成行向量，由此得到t幅高分辨率亮度图像对应的t个高分辨率图像矩阵 该高分辨率图像矩阵的行数为低分辨率图像像素点数，列数为9。
4.根据权利要求1所述的基于多输出最小二乘支持向量回归的图像超分辨方法，其中所述步骤（4a）中的多输出最小二乘支持向量回归机模型的表达式：
T T
s.t.Y＝ZW+repmat(b,l,1)+Ξ，
其中， 表示满足独立同分布的样本点集，l为样本点的数目，输入向
量 输出向量 表示实数空间， 的右上角标表示该实数空间的空
间维数， 是输出矩阵， 是非线
性映射 构成的映射矩阵， 是权系数w构成的权值矩阵，
是误差ξ构成的误差矩阵，b是阈值， 是第一正则化参数，
T T
表示正实数空间，函数trace表示矩阵的迹，repmat(b,l,1)表示产生l×1个b 的复本，T表示转置，s.t.表示受约束于。
5.根据权利要求1所述的基于多输出最小二乘支持向量回归的图像超分辨方法，其中所述步骤（4a）中超参数α和阈值b的求解过程如下：
(4a1)将多输出最小二乘支持向量回归问题中的权值矩阵 写
为基础矩阵 与偏差矩阵 之和，则多输出最小
二乘支持向量回归机模型的表达式，可重新写为：
T T
s.t.Y＝ZW+repmat(b,l,1)+Ξ，
其中，J(W0,V,b)是目标值， 是第二正则化参数；
(4a2)利用拉格朗日法求解步骤（4a1）中的表达式，得到拉格朗日函数L(W0,V,b,Ξ,A)：
T T T
L(W0,V,b,Ξ,A)＝J(W0,V,b)-trace(A(ZW+repmat(b,l,1)+Ξ-Y))，
其中， 是一个包含拉格朗日乘子a的系数矩阵；
(4a3)根据库恩塔克条件，对拉格朗日函数L(W0,V,b,Ξ,A)求偏导，得到的线性方程组表示如下：
其中，1l表示长度为l的全1向量，0l×m表示大小为l×m的全零矩阵；
(4a4)消去线性方程组中的权值矩阵W和误差矩阵Ξ，得到的线性系统表示如下：
其 中，0ml×m 表 示 大 小 为 ml×m的 全 零 矩 阵，0m表 示 长 度 为m的 全 零 向量， 是 由 向 量1l 产生 的 块 对 角 阵，正 定 矩 阵
T
repmat(ZZ,m,m) 表 示 产 生 m×m 个
T T
ZZ的复本， 表示由矩阵ZZ产生的块对角阵，输出矩阵
(4a5)求解步骤（4a4）中的线性系统得到超参数 和阈值b。
6.根据权利要求1所述的基于多输出最小二乘支持向量回归的图像超分辨方法，其中所述步骤（4b）的多输出最小二乘支持向量回归预测模型，表示如下：
其中， 表示产生1×m个 的复本。
基于多输出最小二乘支持向量回归的图像超分辨方法
技术领域
背景技术
分辨率级别和昂贵的硬件成本都不能满足人们的需求，需要找到可以增加当前图像分辨率
的方法。
的前提下，重建出已丢失的成像系统截止频率外的信息，得到高于成像系统分辨率的图像，以达到改善和提高图像质量的目的。
建病态问题进行解空间的约束，从而求解病态问题的稳定解，进一步实现图像超分辨重建，但该方法通常很难引入先验约束且不能保证能有稳定的收敛特性；基于实例学习的方法主
要是通过学习低分辨与高分辨图像之间的映射关系，预测低分辨图像中丢失的高频细节信
息，从而实现高分辨图像的重建。
法。Freeman等人在文献Freeman W T,Jones T R and Pasztor E C.“Example-based
super-resolution,”IEEE Computer Graphics and Application,2002,22(2):56-65.
首次提出使用Markov网络建立低分辨图像和高分辨场景之间的关系模型，通过信令传
播算法进行高分辨图像的最大后验估计实现超分辨重建。然而，该方法依赖于大量样本
进行实例学习，因此计算复杂度较高。Ni等人在文献Karl S N,Truong Q N.“Image
super-resolution using support vector regression,”IEEE Trans on Image
Processing,2007,16(6):1596-1610.中采用支持向量回归SVR对去除中心点的低分辨率
图像块和相应的初始高分辨图像块进行建模，通过建立的模型来预测最终的高分辨图像。
但是，Ni等人在建立回归模型时将一个低分辨率点对应的m个高分辨率点分成m个独立的
任务，使得单个高分辨率像素点作为输出，导致重建的像素点之间很难保持一致性。
发明内容
像映射到由亮度和色度分量组成的YIQ空间，提取每幅图像的亮度分量Y生成高分辨率和
低分辨率亮度图像样本库；
矩阵H中按照对应位置选取50个行向量，将10幅图像中选取的50个行向量拼接，生成大
小为500×9的低分辨率矩阵ILR和大小为500×9的高分辨率矩阵IHR；将低分辨率矩阵ILR
和高分辨矩阵IHR作为一组训练集，分别用于训练回归模型时的输入和输出；
块等于低分辨率图像的行数和列数；
图像块 的中心像素为xj，大小为5×5；
亮度图像 一起组成YIQ空间上的结果图像，并将该结果图像转换到RGB颜色空间，将转换
结果作为最终的高分辨率图像。
具体实施方式
YIQ空间，提取每幅图像的亮度分量Y生成高分辨率亮度图像样本库和低分辨率亮度图像
样本库。
图像矩阵的行数为图像像素点数，列数为9；
辨率图像矩阵的行数为低分辨率图像像素点数，列数为9。
阵H中按照对应位置选取50个行向量，将10幅图像中选取的50个行向量拼接，生成大小
为500×9的低分辨率矩阵ILR和大小为500×9的高分辨率矩阵IHR；将低分辨率矩阵ILR和
高分辨矩阵IHR作为一组训练集，分别用于训练回归模型时的输入和输出；
空间维数， 是输出矩阵， 是非线
性映射 构成的映射矩阵， 是权系数w构成的权值矩阵，
是误差ξ构成的误差矩阵，b是阈值， 是第一正则化参数，
T T
表示正实数空间，函数trace表示矩阵的迹，repmat(b,l,1)表示产生l×1个b 的复
本，T表示转置，s.t.表示受约束于；
为：
T T T
repmat(ZTZ,m,m) 表 示 产 生 m×m 个
T T
ZZ的复本， 表示由矩阵ZZ产生的块对角阵，输出矩阵
块等于低分辨率图像的行数和列数。
像块 的中心像素为xj，大小为5×5；
图像 一起组成YIQ空间上的结果图像，并将该结果图像转换到RGB颜色空间，将转换结果
作为最终的高分辨率图像。
I-275).IEEE.”，基于NEDI的方法，具体参考文献“Li X,Orchard M T.New edge-directed interpolation[J].IEEE Trans on IP,2001,10(10):1521-1527.”，基于SAI的方法，具体参考文献“X.Zhang and X.Wu.Image interpolation by adaptive2-d autoregressive
modeling and soft-decision estimation.IEEE Trans on IP,17(6):887–896,2008.”，基于SME的方法，具体参考文献“S.Mallat and G.Yu.Super-resolution with sparse
mixing estimators.IEEE Trans on IP,19(11):2889–2900,2010.”，基于ScSR的方法，具体参考文献“J.Yang,J.Wright,T.Huang,and Y.Ma.Image super-resolution via sparse representation.IEEE Trans on IP,19(11):2861–2873,2010.”和基于SCDL的方法，
具体参考文献“Wang S,Zhang L,Liang Y,et al.Semi-coupled dictionary learning
with applications to image super-resolution and photo-sketch synthesis[C]//
Computer Vision and Pattern Recognition(CVPR),2012IEEE Conference
on.IEEE,2012:2216-2223.”在测试图像上进行超分辨仿真。
ScSR超分辨的结果；图3（g）是SCDL超分辨的结果；图3（h）是本发明超分辨的结果。图
3中每幅图像中的矩形框是局部放大的结果。
是本发明超分辨的结果。图4中每幅图像中的矩形框是局部放大的结果。
效应，并引入严重的人工痕迹。从图像Girl可以看到，本发明超分辨的结果图4（f）更接
近真实图像，而NE超分辨的结果图4（c）过于模糊。与上述几种方法得到的结果相比，本
发明得到的图像不仅边缘清晰，而且纹理丰富。
间，因此这里只对比算法在线超分辨图像的时间。使用本发明和现有的四种超分辨方法对
图像Girl放大2倍的运行时间作为参考，来说明本发明的快速性，结果见表3。
Elapsed time(s) 11.27 149.76 165.55 97.98 19.65
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 北斗多模授时接收装置 | 2020-05-08 | 91 |
| 一种应用于智能终端RTD定位的粗差探测方法及系统 | 2020-05-08 | 840 |
| 一种北斗和GPS卫星信号接收的正直性监测和判决方法 | 2020-05-08 | 341 |
| 一种上行同步方法、终端、以及基站 | 2020-05-08 | 132 |
| 一种卫星系统的音视频传输控制方法、装置及服务器 | 2020-05-08 | 372 |
| 卫星天线对准装置 | 2020-05-08 | 595 |
| 一种基于GPS定位与自动避障的农业机器人的实现方法 | 2020-05-08 | 756 |
| 一种航向角确定方法、系统、电子设备及存储介质 | 2020-05-08 | 957 |
| 一种基于大数据的洪水预报方法 | 2020-05-08 | 24 |
| 一种基于遥感的灌溉水有效利用系数测算方法 | 2020-05-08 | 466 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
