一種基于魯棒核范數(shù)正則回歸的風電圖像質(zhì)量增強方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像質(zhì)量增強方法，特別涉及一種基于魯棒核范數(shù)正則回歸的風 電圖像質(zhì)量增強方法，屬于圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 圖像識別一般分為四個步驟：圖像預處理，特征提取，特征表達以及分類。為了更 好地跟蹤和識別風力機葉片的運行狀態(tài)，常常需要拍攝一些風電機組圖像。傳統(tǒng)圖像識別 算法假定輸入的圖像具有較好的分辨率。然而在實際生活中，由于目標圖像常常與攝像設(shè) 備距離較遠，又受到光照條件的變化，目標圖像的運動模糊以及設(shè)備自身的噪聲等因素的 影響，所獲取的圖像往往尺寸小，分辨率低，噪聲大，特征細節(jié)信息也極度有限。在這種情況 下，傳統(tǒng)的圖像識別算法取得的識別效果遠遠達不到人們所期待的結(jié)果。
[0003] 通過圖像質(zhì)量增強方法，可以有效提高識別算法的性能。單幅圖像質(zhì)量增強技術(shù) 是數(shù)字圖像處理中的研究熱點之一，大量國內(nèi)外研究人員對其進行了廣泛而深入的研究。 從歷史發(fā)展的角度來看，圖像質(zhì)量增強技術(shù)大致經(jīng)歷了插值方法、重建方法和機器學習方 法三個階段?；诓逯档膫鹘y(tǒng)超分辨處理技術(shù)一般將離散的圖像信號看成連續(xù)信號，利用 連續(xù)性特征估計未知采樣點的像素值。但是現(xiàn)實世界中的自然圖像包含了大量的奇異性特 征，比如邊緣，角點以及高頻紋理區(qū)域等。因此，基于連續(xù)性假設(shè)的插值算法往往會形成明 顯的振鈴和混疊效應，嚴重影響超分辨處理效果?；谥亟ǖ姆椒M數(shù)字圖像的形成過 程，通過對數(shù)字成像設(shè)備采集圖像信號的過程建模來求解最終結(jié)果。這種方法往往需要假 設(shè)某些參數(shù)，比如攝像機的點擴散函數(shù)（PointSpreadFunction,PSF)，環(huán)境噪音等，但是 這些假設(shè)的參數(shù)通常情況下與實際參數(shù)不符，甚至相差甚遠，這會造成超分辨結(jié)果出現(xiàn)嚴 重偏差。另外，對放大因子十分敏感也是重建方法的主要缺陷之一，這會嚴重影響算法的應 用推廣。相對而言，機器學習方法比前兩者更具吸引力，無論是從理論研究的角度還是從實 踐運用的角度都得到了很好的發(fā)展。
[0004]目前圖像質(zhì)量增強方法歸類如下：
[0005] 1.鄰域嵌入法（NE)
[0006]H.Chang、D.Y.Yeung和Υ·M.Xiong于 2〇04 年在IEEEConferenceonComputer VisionandPatternRecognition(pp. 1275-1282,vol. 1)發(fā)表的〈〈Super-resolution throughneighborembedding》中，基于局部線性嵌入理論，通過假設(shè)低分辨率特征空間與 高分辨率特征空間具有相似結(jié)構(gòu)來減少重建樣本數(shù)量，在保持相似性結(jié)構(gòu)的同時，運用高 分辨率特征替換低分辨率特征，獲得高質(zhì)量的圖像塊。在提高算法執(zhí)行效率的同時，獲得了 不錯的圖像質(zhì)量增強性能。
[0007]2·特征變換方法（Eigentransformation)
[0008]X.Wang、X.Tang于 2005 年在IEEETransactionsonSystems,Man,and Cybernetics(PartC:ApplicationandReviews,vol. 35,no. 3,pp. 425-434)發(fā)表的 《Hallucinatingfacebyeigentransformation》中，運用主成分分析（PCA)來刻畫圖像的 結(jié)構(gòu)相似性。PCA用來把低分辨率輸入圖像表示成低分辨率訓練字典的線性組合。通過把 低分辨率訓練字典替換成對應的高分辨率訓練字典，可以獲得高分辨率的圖像。
[0009] 3.稀疏表示方法（SR)
[0010] J.Yang、J.Wright、H.Tang和Y.Ma于2010 年在IEEETransactionsonImagePr ocessing(vol.19,no.11，pp.2861-2873)發(fā)表的〈〈Imagesuper-resolutionviasparse representation》中，提出用稀疏表達來計算測試圖像塊在訓練圖像塊上的表示系數(shù)。由于 稀疏近似過程中并不固定鄰域數(shù)量，而是使近似誤差盡可能小，有效避免了在系數(shù)求解過 程中的不恰當?shù)臄M合問題。
[0011] 以上方法在求解表示系數(shù)前，都要事先將二維低分辨率圖像（塊）表示成一個列 向量。這不可避免地會丟失二維圖像的一些結(jié)構(gòu)信息（比如矩陣的秩），使得表示系數(shù)的求 解不是很精確。并且在以往方法中，并沒有討論噪聲情況下的模型構(gòu)建。

【發(fā)明內(nèi)容】

[0012] 本發(fā)明所要解決的技術(shù)問題是提供一種基于魯棒核范數(shù)正則回歸的風電圖像質(zhì) 量增強方法，針對現(xiàn)有方法對測試圖像中可能含有的噪聲敏感這一缺點，滿足實際應用中 對高質(zhì)量圖像的需求。
[0013] 本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：
[0014] 本發(fā)明提供一種基于魯棒核范數(shù)正則回歸的風電圖像質(zhì)量增強方法，包括以下具 體步驟：
[0015] 步驟1，以圖像中每個像素位置為中心，獲取低質(zhì)量測試圖像和訓練樣本圖像各個 像素位置的圖像塊；
[0016] 步驟2,對低質(zhì)量測試圖像中的每個圖像塊，運用魯棒核范數(shù)正則回歸方法獲得其 在低質(zhì)量訓練樣本圖像中對應位置上的圖像塊集合的魯棒線性表示；
[0017] 步驟3,在保持魯棒表示系數(shù)不變的情況下，用高質(zhì)量訓練樣本圖像塊替換低質(zhì)量 訓練樣本圖像塊，從而獲得低質(zhì)量測試圖像塊對應的高質(zhì)量測試圖像塊，再運用非局部自 相似性對高質(zhì)量測試圖像塊進行進一步質(zhì)量增強；
[0018] 步驟4,對步驟3中進一步質(zhì)量增強的高質(zhì)量測試圖像塊進行串聯(lián)和整合，從而獲 得高質(zhì)量的測試圖像。
[0019] 作為本發(fā)明的進一步優(yōu)化方案，步驟1中以圖像中每個像素位置為中心，獲取低 質(zhì)量測試圖像和訓練樣本圖像各個像素位置的圖像塊，具體為：
[0020] 1. 1)獲取訓練圖像的低質(zhì)量版本；
[0021] 1. 2)以圖像中每個像素位置為中心，獲取低質(zhì)量測試圖像和訓練樣本圖像各個像 素位置的圖像塊。
[0022] 作為本發(fā)明的進一步優(yōu)化方案，步驟1. 1中通過兩次雙三次插值獲取訓練圖像的 低質(zhì)量版本。
[0023] 作為本發(fā)明的進一步優(yōu)化方案，步驟2中對低質(zhì)量測試圖像中的每個圖像塊，運 用魯棒核范數(shù)正則回歸方法獲得其在低質(zhì)量訓練樣本圖像中對應位置上的圖像塊集合的 魯棒線性表示，具體為：
[0024] D=x1C1+x2C2+···+xMCM+e
[0025] 其中，D是像素位置（i，j)的低質(zhì)量測試圖像塊；(；是第r個低質(zhì)量像素訓練樣本 中位置（i，j)的圖像塊，r= {1，2,…，M}，M是訓練樣本個數(shù)為表示系數(shù)向量X中的第 r個元素值；
[0026] 基于魯棒回歸思想，所述魯棒線性表示系數(shù)向量X根據(jù)以下模型求解獲得：
[0027]
[0028] 式中，| |x| |q是表示系數(shù)向量X的q范數(shù)，
λ是第一正則化參 數(shù);W是權(quán)重矩陣，W的第i行第j列元
丨，_α與β均為預先設(shè)置的 參數(shù)，\i為表示殘差矩陣Υ的第i行第j列元素值；。表示矩陣的Hadamard積；C(x)=xA+xA+.-.+XmCm是從空間的一個線性映射，dXd是圖像塊的大??；| | · |I*表 示核范數(shù)。
[0029] 作為本發(fā)明的進一步優(yōu)化方案，根據(jù)模型呼求解魯棒線性表 示系數(shù)向量X的方法如下：
[0030] 2. 1)設(shè)定最大迭代系數(shù)，置初始迭代次數(shù)t= 0 ;
[0031] 2. 2)更新權(quán)重矩陣W和表示殘差矩陣Y，具體為：
[0032]
[0033] Y=D-D(t)
[0034] 其中，D(t)是第t次迭代時像素位置的低質(zhì)量測試圖像塊，且 是低質(zhì)量訓練樣本的均值圖像
[0035] 2. 3)更新低質(zhì)量測試圖像塊和低質(zhì)量訓練圖像塊，具體為：
[0036] A=WoD
[0037] Br=ff〇Cr
[0038] 其中，A是加權(quán)后像素位置（i，j)的低質(zhì)量測試圖像塊，B1^是加權(quán)后第r個低質(zhì)量 訓練樣本中像素位置（i，j)的圖像塊；2. 4)更新模型《?ψ? 具體為：
[0039]
[0040] s.t.G(x)-A=Eandx=z
[0041] 其拉格朗日函數(shù)表示為：
[0042]
[0043] 其中，;ypYii均為拉格朗日乘子，μ為第二正則化參數(shù)，|·||丨為矩陣 的F范數(shù)；
[0044] 2. 5)采用交替方向乘子法ADMM對步驟2. 5中更新后的模型進行求解，得到第t次 迭代時輸出的表示系數(shù)x/e從而得到第t次迭代時輸出的表示系數(shù)向量X(t);
[0045] 2. 6)重構(gòu)低質(zhì)量測試圖像塊，具體為：
[0046]
[0047] 其中，D(t)是第t次迭代時的低質(zhì)量測試圖像塊；
[0048] 2. 7)若達到最大迭代次數(shù)或以下終止條件，輸出表示系數(shù)向量x(t)作為最終求解 結(jié)果；否則，置t=t+Ι，返回步驟2. 2 ;
[0049] |ff(t)_ff(t1) | |2/||ff(t1) | |2^γ
[0050] 其中，γ為預設(shè)的第一容錯值。