基于rs-svm集成的邊緣自適應去馬賽克方法
【專利摘要】本發明提供一種基于RS-SVM集成的邊緣自適應去馬賽克方法。其實現步驟是：(1)獲取馬賽克圖像；(2)將馬賽克圖像分成邊緣區域和平滑區域；(3)利用信號相關性方法插值平滑區域；(4)利用SVM集成法插值邊緣區域。步驟(4)先在利用色彩相關性及色差恒定原理構建的色差平面上構建原始樣本集；再利用Bagging方法對原始樣本集重取樣；再利用粗糙集動態約簡算法約簡重取樣出的樣本特征；然后用約簡后的樣本訓練成員回歸機；再用訓練好的成員回歸機估計待插值點的色差值；最后計算出丟失的像素值。本發明能改善圖像的細小邊緣區域的邊緣特征，抑制偽彩色效應或鋸齒現象，提高成像質量。
【專利說明】基于RS-SVM集成的邊緣自適應去馬賽克方法
【技術領域】
[0001]本發明涉及圖像去馬賽克領域，尤其涉及一種基于RS-SVM集成的邊緣自適應去馬賽克方法。
【背景技術】
[0002]數碼相機作為ー種備受歡迎的彩色圖像成像設備，是ー種利用電子傳感器把光學影像轉換成電子數據的照相機。數碼相機的傳感器是ー種光感應式的電荷耦合器件(CCD)或互補金屬氧化物半導體(CMOS)，要獲得一幅彩色圖像需要三個CCD或者CMOS在每個像素點分別獲取R、G、B三種基本顔色分量。而傳感器的價格比較昂貴，為了減小電子產品的體積，降低成本和復雜性，通常僅使用單傳感器并在其表面覆蓋彩色濾波陣列來同時獲得三種基本顔色分量。因此，傳感器陣列的每個像素點只能采集到一個顏色分量，為了得到一幅全彩色圖像，每個像素點必須通過其相鄰的已知顔色分量估計出該像素點丟失的另外兩種顏色分量，這個過程被稱為去馬賽克(Demosaicking)。
[0003]傳統的最鄰近插值、線性插值等方法在平滑區域能取得較好的效果，但會降低圖像的邊緣特征，造成偽彩色效應或鋸齒現象。近年來，許多以獲取高質量彩色圖像為目的的去馬賽克方法被相繼提出，例如應用信號相關性的方法[I]，應用空間和色彩相關性的方法
[2]，基于框架的方法[3]，基于圖像修復藝術的方法[4]，基于異質性投影的方法[5]，利用稀疏表示的方法[6]，利用自適應加權的方法[7]。這些方法均提高了圖像的成像質量，但在插值圖像中仍出現偽彩色效應，無法滿足人們對高質量彩色圖像的需求。
[0004]支持向量機集成(SupportVector Machine Ensemble, SVM Ensemble)是一種新型的機器學習方法，是集成學習的ー種具體體現，是將集成學習應用于機器學習領域的產物。它不僅繼承了支持向量機解決小樣本、非線性、高維及局部極值等問題的優勢，而且穩定性、泛化能力均優于單個支持向量機。迄今為止，支持向量機集成已被成功應用在混沌時間序列預測，入侵檢測，故障診斷，雷達目標高分辨率ー維距離像識別，高分辨率遙感圖像分類，衛星圖像分割等領域，并顯示出優勢，但將其應用于圖像去馬賽克方面的研究還頗為鮮見。
[0005]集成學習中，如何生成集成個體和如何生成集成結果是兩個熱點問題。個體之間的差異性是研究集成個體成生中的關鍵因素，差異性越大越能保證預測結果的準確性。屬性約簡是粗糙集理論(Rough Set, RS)研究的核心問題之一，采用粗糙集動態約簡算法進行特征擾動，過濾學習性能欠佳的特征子集，更有利于生成差異性大、精度高的個體。因此，本發明利用粗糙集動態約簡樣本，并用約簡后的樣本訓練集成個體，然后用訓練好的集成個體估計馬賽克圖像中丟失的顔色分量。
【發明內容】
[0006]本發明提出的基于RS-SVM集成的邊緣自適應去馬賽克方法，目的在于改善圖像的細小邊緣區域的邊緣特征，減少插值圖像中的偽彩色(虛假色)或鋸齒現象，提高成像質量。
[0007]本發明的主要思想:邊緣的像素值和其周圍的像素值相差很大，若采用傳統的最鄰近插值、線性插值方法會降低圖像的邊緣特征，造成偽彩色或者鋸齒現象，但在平滑區域能取得較好的效果。SVM集成法作為ー種高精度的機器學習技術，通過學習邊緣像素和其鄰近像素之間的關系，可以插值出丟失的邊緣像素，此方法精度高，但處理速度相對慢。將SVM集成法用于插值邊緣像素既可以提高成像質量，又可以保證處理速率。
[0008]本發明的目的通過下述技術方案實現:先獲取馬賽克圖像，再將馬賽克圖像分成平滑區域和邊緣區域，然后在平滑區域采用信號相關性方法[I]插值，在邊緣區域采用SVM集成法插值。SVM集成法在利用彩色圖像各平面間的色彩相關性及色差恒定原理構建的色差平面上實現，在色差平面上利用局部區域內色差值之間的空間相關性建構原始樣本集，并利用Bagging方法對原始樣本集重取樣，再用粗糙集動態約簡算法約簡重取樣出的樣本特征，并將約簡后的樣本用于訓練成員回歸機，然后利用訓練好的成員回歸機估計待插值點的色差值，最后計算出丟失的像素值。
[0009]下面對本發明的具體步驟詳細說明(以Bayer彩色濾波陣列獲取的馬賽克圖像為例)。
[0010]為便于說明，下面將已知R分量的點，已知G分量的點和已知B分量的點分別簡記為R點，G點和B點。
[0011]一、獲取馬賽克圖像:以Bayer模式獲取待去馬賽克的圖像。
[0012]ニ、邊緣提取:將一幅以Bayer模式獲取的馬賽克圖像分成邊緣區域和平滑區域。先將馬賽克圖像做平滑處理，然后對其進行拉普拉斯操作，最后通過零交叉將一幅馬賽克圖像分成邊緣區域和平滑區域。
[0013]三、插值平滑區域:利用信號相關性方法插值
[0014]1、構造色差平面Kr=G-R和Kb=G-B
[0015](I)在G點，利用公式
[0016]Kr(i； j)=Gi； - (Ri_1； j+Ri+1； j) /2 (G)(I)
[0017]Kr(H w) =Ghj1-(Rh，パ+Rh，P/2 (G 在奇數行) (2)
[0018]計算G點處的色差值，然后利用公式
[0019]K r(1-1; j) -(Kr(1-1； j-D+Kr(j-2, j)+Kr(1-1, j+i) +Kr(i； j)) /4 (3)
[0020]計算R點處的色差值，得Kr色差平面。
[0021](2)在G點，利用公式
[0022]1(1-)=61，廠他，ト1+8 1)/2(6在偶數行)(4)
[0023]Kb(H 上!) =Gh,ト「(Bh，ト丨+Bけ!)/2(6 在奇數行)(5)
[0024]計算G點處的色差值，然后利用公式
[0025]K b(i，j-1廠(Kb(i，j-2)+Kb(1-1,j-1)+Kb(i，j)+Kb(i+1，j—。)/4 (6)
[0026]計算B點處的色差值，得到得Kb色差平面。
[0027]2、插值G平面:需要估計R點的G分量和B點的G分量。
[0028](I)在R點，利用G1--=K' +Ri-可得Ri-j處的G分量，同理，計算出所有R點的G分量。
[0029](2)在B點，利用公式Gi-1=K' b+Bi-1可得Bi-1處的G分量，同理，計算出所有B點的G分量。
[0030]此時，G平面上的所有G分量均為已知(G’表示估計值)，可在插值R、B平面時使用。
[0031 ] 3、插值R平面:需要估計G點的R分量和B點的R分量。
[0032](I)在G點，利用公式
[0033]K' ,(1.j)=?' ra-o+K' ra+i,j))/2(Gff )(7)
[0034]K，r(H,”) = (!(，，(h)+K，,.))/2(6 在奇數オ于)(8)
[0035]獲得G點的色差值，然后利用Ru=Gu_K’ raj)可得も」處的R分量，同理，求出所有G點的R分量。
[0036](2)在B點，利用公式
[0037]K r(i,j-:0_(K r(H, j-2)+K r(i_l, j)+K r(i+l,j)+K r(i+1, j-2))/4 (9)
[0038]獲得B點的色差值，然后利用RiH=G' w-K’吣丨)可得處的R分量，同理，求出所有B點的R分量。
[0039]4、插值B平面:和插值R平面類似，在Kb平面上實現，具體過程不再敘述。
[0040]四、插值邊緣區域:利用SVM集成法插值
[0041]在色差平面上利用局部區域內的空間相關性構造原始樣本集，采用bootstrap重采樣技術對原始樣本集重取樣，再用粗糙集動態約簡算法約簡重取樣出的樣本特征，并將約簡后的樣本用于訓練成員回歸機，然后利用訓練好的成員回歸機估計待插值點的色差值，最后計算出丟失的像素值。
[0042]采用SVM集成方法實現此步操作，需要對R、G、B三個平面分別插值，無論對那個平面插值都包括以下5歩:
[0043]I)構建色差平面:根據彩色圖像各平面間的色彩相關性及色差恒定原理構建色差平面Kx或Kb ;
[0044]2)建構原始樣本集:在色差平面も或Kb上利用色差值建構原始樣本集X= (X1, X2, --?，Xj ,其樣本 Xi=U1, X2,, X7, Y}，i=l, ? ? ?，n,其中輸入樣本 X1, X2, ? ? ?，X7 為 7維向量,輸出樣本Y為I維向量；
[0045]3)訓練成員回歸機:
[0046]步驟1:對原始樣本集X采用bootstrap重采樣技術獲得N組含有m(m〈n)個樣本的樣本集，構成子系統集合S={S1, S2，…，SN}，其中，子系統も=(?, C U D)是第
組樣本集，U,QU = {Xt,X2,...,XJ為樣本集合,C為屬性非空的有限集合,D= {d|d G Y}為決策屬性集合；
[0047]步驟2:對每ー個子系統も，采用基于屬性重要度的粗糙集相對約減算法進行屬性
約簡 reduei \
[0048]步驟3:統計步驟2中屬性約簡reductS,出現的頻率
【權利要求】
1.一種基于RS-SVM集成的邊緣自適應去馬賽克方法，其特征在于包括如下步驟: (1)獲取馬賽克圖像:以Bayer模式獲取待去馬賽克的圖像； (2)邊緣提取:對待去馬賽克的圖像進行邊緣提取，將圖像分成邊緣區域和平滑區域； (3)插值平滑區域:利用信號相關性方法插值平滑區域； (4)插值邊緣區域:利用SVM集成法插值邊緣區域。
2.根據權利要求1所述的基于RS-SVM集成的邊緣自適應去馬賽克方法，其特征在于:步驟(4)中，所述的利用支持向量機集成法插值邊緣區域的具體步驟如下: 第一歩:插值G平面 (1)估計R點的G分量 1)估計R點的色差值 ①.構造色差平面Kr:在馬賽克圖像的G點利用Kr(u=Gu-(URi+1，p/2(G在偶數行)和Km1) 在奇數行)構造色差平面； ②.構建原始樣本集:在ん色差平面上，以每ー個も為中心點，若其周圍5X5區域內!-值均存在，則以該點的も值作為輸出樣本構造兩個樣本,例如，選擇輸入樣本為Kr(1-l，j-1)，Kr(i—i，j+i)，(i+1, j+1) ?丄(r (i+1，j-1)，(1-1, j-1) -r(i+l, j+1) I， 1-rC1-1, j+1) i-r (i+1, j-1) I，(Kr (1-1，j-1)+KrG-uD+Knw，州)+Kr(i+1上d)/4，輸出樣本為KrQj.)的樣本；選擇輸入樣本為Kr(i，j_2), Kr(i_2；J),Kr(i，j+2)，Kr(i+2，j)，-r(i, j-2)_Kr(i； J+2) |，I Kr (卜2，j) _Kr (i+2，j) |，(Kr (i; j_2)+Kr (i_2，j)+Kr (i，j+2)+Kr (i+2，j))/4，_!]出樣本為的樣本，將上述方式構造的樣本組成原始樣本集X=氏，X2，…，Xn}； ③.訓練成員回歸機:先對原始樣本集X采用bootstrap重采樣技術獲得N組含有m(m<n)個樣本的樣本集,構成子系統集合S= { S1, S2,…，SN};再對姆ー個子系統も米用基于屬性重要度的粗糙集相對約減算法進行屬性約簡—ち'—;再統計屬性約簡re—、出現的頻率
【文檔編號】H04N1/58GK103442159SQ201310392291
【公開日】2013年12月11日 申請日期:2013年9月2日 優先權日:2013年9月2日
【發明者】賈曉芬, 趙佰亭, 周孟然, 姚善化, 李振璧 申請人:安徽理工大學