基于稀疏高斯過程的圖像超分辨率重建算法

李建敏，吳 蕓，杜曉鳳，朱順痣

(廈門理工學(xué)院計(jì)算機(jī)與信息工程學(xué)院，福建 廈門 361024)

圖像超分辨率重建技術(shù)能夠在不改造現(xiàn)有成像系統(tǒng)硬件設(shè)備的前提下，用最經(jīng)濟(jì)的方式獲取高于成像系統(tǒng)原始分辨率的高質(zhì)量圖像。近年來(lái)，基于學(xué)習(xí)的超分辨率重建算法成為圖像超分辨率技術(shù)領(lǐng)域的一個(gè)研究熱點(diǎn)[1-5]。通過學(xué)習(xí)低分辨率與高分辨率圖像之間的映射關(guān)系，預(yù)測(cè)低分辨率圖像中丟失的高頻信息，從而得到高分辨率圖像。高斯過程回歸是近年發(fā)展起來(lái)的一種基于貝葉斯理論的非參數(shù)回歸方法，能夠直接從數(shù)據(jù)中建模，具有很強(qiáng)的適應(yīng)性和泛化能力，能有效避免過擬合。He等[6]首次將高斯過程回歸模型應(yīng)用在圖像超分辨率重建研究中，能有效地保持邊緣信息，但是由于樣本較少，恢復(fù)的高頻信息有限，重建質(zhì)量較差，并且需要在線訓(xùn)練模型，造成重建過程十分耗時(shí)。Wang等[7-8]提出的稀疏高斯過程方法和基于字典采樣和T似然的高斯過程方法效果有所改進(jìn)。Li等[9]提出基于原型的高斯過程回歸加速算法(prototype-based gaussian progress regression,PGPR)離線學(xué)習(xí)模型，PGPR屬于近鄰嵌入的方法，離線學(xué)習(xí)的各錨點(diǎn)高斯過程回歸模型的可靠性受近鄰相似度的影響。每個(gè)錨點(diǎn)的鄰域是由其他錨點(diǎn)構(gòu)成的，而這些錨點(diǎn)代表的是各個(gè)聚類的中心，屬于差異性比較大的樣本。由這些錨點(diǎn)構(gòu)成的鄰域集合相似度不高，所以導(dǎo)致PGPR算法在圖像重建質(zhì)量上不盡如人意。為此，本文提出稀疏偽輸入高斯過程回歸算法，改進(jìn)離線學(xué)習(xí)階段訓(xùn)練集構(gòu)建方式，在不同子空間內(nèi)部進(jìn)行模型學(xué)習(xí)，同時(shí)使用少量偽輸入對(duì)模型進(jìn)行近似求解，以在降低時(shí)間復(fù)雜度的同時(shí)提高圖像的重建質(zhì)量。……