基于rs-svm集成的边缘自适应去马赛克方法
【专利摘要】本发明提供一种基于RS-SVM集成的边缘自适应去马赛克方法。其实现步骤是：(1)获取马赛克图像；(2)将马赛克图像分成边缘区域和平滑区域；(3)利用信号相关性方法插值平滑区域；(4)利用SVM集成法插值边缘区域。步骤(4)先在利用色彩相关性及色差恒定原理构建的色差平面上构建原始样本集；再利用Bagging方法对原始样本集重取样；再利用粗糙集动态约简算法约简重取样出的样本特征；然后用约简后的样本训练成员回归机；再用训练好的成员回归机估计待插值点的色差值；最后计算出丢失的像素值。本发明能改善图像的细小边缘区域的边缘特征，抑制伪彩色效应或锯齿现象，提高成像质量。
【专利说明】基于RS-SVM集成的边缘自适应去马赛克方法
【技术领域】
[0001]本发明涉及图像去马赛克领域，尤其涉及一种基于RS-SVM集成的边缘自适应去马赛克方法。
【背景技术】
[0002]数码相机作为ー种备受欢迎的彩色图像成像设备，是ー种利用电子传感器把光学影像转换成电子数据的照相机。数码相机的传感器是ー种光感应式的电荷耦合器件(CCD)或互补金属氧化物半导体(CMOS)，要获得一幅彩色图像需要三个CCD或者CMOS在每个像素点分别获取R、G、B三种基本顔色分量。而传感器的价格比较昂贵，为了减小电子产品的体积，降低成本和复杂性，通常仅使用单传感器并在其表面覆盖彩色滤波阵列来同时获得三种基本顔色分量。因此，传感器阵列的每个像素点只能采集到一个颜色分量，为了得到一幅全彩色图像，每个像素点必须通过其相邻的已知顔色分量估计出该像素点丢失的另外两种颜色分量，这个过程被称为去马赛克(Demosaicking)。
[0003]传统的最邻近插值、线性插值等方法在平滑区域能取得较好的效果，但会降低图像的边缘特征，造成伪彩色效应或锯齿现象。近年来，许多以获取高质量彩色图像为目的的去马赛克方法被相继提出，例如应用信号相关性的方法[I]，应用空间和色彩相关性的方法
[2]，基于框架的方法[3]，基于图像修复艺术的方法[4]，基于异质性投影的方法[5]，利用稀疏表示的方法[6]，利用自适应加权的方法[7]。这些方法均提高了图像的成像质量，但在插值图像中仍出现伪彩色效应，无法满足人们对高质量彩色图像的需求。
[0004]支持向量机集成(SupportVector Machine Ensemble, SVM Ensemble)是一种新型的机器学习方法，是集成学习的ー种具体体现，是将集成学习应用于机器学习领域的产物。它不仅继承了支持向量机解决小样本、非线性、高维及局部极值等问题的优势，而且稳定性、泛化能力均优于单个支持向量机。迄今为止，支持向量机集成已被成功应用在混沌时间序列预测，入侵检测，故障诊断，雷达目标高分辨率ー维距离像识别，高分辨率遥感图像分类，卫星图像分割等领域，并显示出优势，但将其应用于图像去马赛克方面的研究还颇为鲜见。
[0005]集成学习中，如何生成集成个体和如何生成集成结果是两个热点问题。个体之间的差异性是研究集成个体成生中的关键因素，差异性越大越能保证预测结果的准确性。属性约简是粗糙集理论(Rough Set, RS)研究的核心问题之一，采用粗糙集动态约简算法进行特征扰动，过滤学习性能欠佳的特征子集，更有利于生成差异性大、精度高的个体。因此，本发明利用粗糙集动态约简样本，并用约简后的样本训练集成个体，然后用训练好的集成个体估计马赛克图像中丢失的顔色分量。
【发明内容】
[0006]本发明提出的基于RS-SVM集成的边缘自适应去马赛克方法，目的在于改善图像的细小边缘区域的边缘特征，減少插值图像中的伪彩色(虚假色)或锯齿现象，提高成像质量。
[0007]本发明的主要思想:边缘的像素值和其周围的像素值相差很大，若采用传统的最邻近插值、线性插值方法会降低图像的边缘特征，造成伪彩色或者锯齿现象，但在平滑区域能取得较好的效果。SVM集成法作为ー种高精度的机器学习技术，通过学习边缘像素和其邻近像素之间的关系，可以插值出丢失的边缘像素，此方法精度高，但处理速度相对慢。将SVM集成法用于插值边缘像素既可以提高成像质量，又可以保证处理速率。
[0008]本发明的目的通过下述技术方案实现:先获取马赛克图像，再将马赛克图像分成平滑区域和边缘区域，然后在平滑区域采用信号相关性方法[I]插值，在边缘区域采用SVM集成法插值。SVM集成法在利用彩色图像各平面间的色彩相关性及色差恒定原理构建的色差平面上实现，在色差平面上利用局部区域内色差值之间的空间相关性建构原始样本集，并利用Bagging方法对原始样本集重取样，再用粗糙集动态约简算法约简重取样出的样本特征，并将约简后的样本用于训练成员回归机，然后利用训练好的成员回归机估计待插值点的色差值，最后计算出丢失的像素值。
[0009]下面对本发明的具体步骤详细说明(以Bayer彩色滤波阵列获取的马赛克图像为例)。
[0010]为便于说明，下面将已知R分量的点，已知G分量的点和已知B分量的点分别简记为R点，G点和B点。
[0011]一、获取马赛克图像:以Bayer模式获取待去马赛克的图像。
[0012]ニ、边缘提取:将一幅以Bayer模式获取的马赛克图像分成边缘区域和平滑区域。先将马赛克图像做平滑处理，然后对其进行拉普拉斯操作，最后通过零交叉将一幅马赛克图像分成边缘区域和平滑区域。
[0013]三、插值平滑区域:利用信号相关性方法插值
[0014]1、构造色差平面Kr=G-R和Kb=G-B
[0015](I)在G点，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 在奇数行) (2)
[0018]计算G点处的色差值，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]计算R点处的色差值，得Kr色差平面。
[0021](2)在G点，利用公式
[0022]1(1-)=61，厂他，ト1+8 1)/2(6在偶数行)(4)
[0023]Kb(H 上!) =Gh,ト「(Bh，ト丨+Bけ!)/2(6 在奇数行)(5)
[0024]计算G点处的色差值，然后利用公式
[0025]K b(i，j-1厂(Kb(i，j-2)+Kb(1-1,j-1)+Kb(i，j)+Kb(i+1，j—。)/4 (6)
[0026]计算B点处的色差值，得到得Kb色差平面。
[0027]2、插值G平面:需要估计R点的G分量和B点的G分量。
[0028](I)在R点，利用G1--=K' +Ri-可得Ri-j处的G分量，同理，计算出所有R点的G分量。
[0029](2)在B点，利用公式Gi-1=K' b+Bi-1可得Bi-1处的G分量，同理，计算出所有B点的G分量。
[0030]此时，G平面上的所有G分量均为已知(G’表示估计值)，可在插值R、B平面时使用。
[0031 ] 3、插值R平面:需要估计G点的R分量和B点的R分量。
[0032](I)在G点，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 在奇数オ于)(8)
[0035]获得G点的色差值，然后利用Ru=Gu_K’ raj)可得も」处的R分量，同理，求出所有G点的R分量。
[0036](2)在B点，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]获得B点的色差值，然后利用RiH=G' w-K’吣丨)可得处的R分量，同理，求出所有B点的R分量。
[0039]4、插值B平面:和插值R平面类似，在Kb平面上实现，具体过程不再叙述。
[0040]四、插值边缘区域:利用SVM集成法插值
[0041]在色差平面上利用局部区域内的空间相关性构造原始样本集，采用bootstrap重采样技术对原始样本集重取样，再用粗糙集动态约简算法约简重取样出的样本特征，并将约简后的样本用于训练成员回归机，然后利用训练好的成员回归机估计待插值点的色差值，最后计算出丢失的像素值。
[0042]采用SVM集成方法实现此步操作，需要对R、G、B三个平面分别插值，无论对那个平面插值都包括以下5歩:
[0043]I)构建色差平面:根据彩色图像各平面间的色彩相关性及色差恒定原理构建色差平面Kx或Kb ;
[0044]2)建构原始样本集:在色差平面も或Kb上利用色差值建构原始样本集X= (X1, X2, --?，Xj ,其样本 Xi=U1, X2,, X7, Y}，i=l, ? ? ?，n,其中输入样本 X1, X2, ? ? ?，X7 为 7维向量,输出样本Y为I维向量；
[0045]3)训练成员回归机:
[0046]步骤1:对原始样本集X采用bootstrap重采样技术获得N组含有m(m〈n)个样本的样本集，构成子系统集合S={S1, S2，…，SN}，其中，子系统も=(?, C U D)是第
组样本集，U,QU = {Xt,X2,...,XJ为样本集合,C为属性非空的有限集合,D= {d|d G Y}为决策属性集合；
[0047]步骤2:对每ー个子系统も，采用基于属性重要度的粗糙集相对约减算法进行属性
约简 reduei \
[0048]步骤3:统计步骤2中属性约简reductS,出现的频率
【权利要求】
1.一种基于RS-SVM集成的边缘自适应去马赛克方法，其特征在于包括如下步骤: (1)获取马赛克图像:以Bayer模式获取待去马赛克的图像； (2)边缘提取:对待去马赛克的图像进行边缘提取，将图像分成边缘区域和平滑区域； (3)插值平滑区域:利用信号相关性方法插值平滑区域； (4)插值边缘区域:利用SVM集成法插值边缘区域。
2.根据权利要求1所述的基于RS-SVM集成的边缘自适应去马赛克方法，其特征在于:步骤(4)中，所述的利用支持向量机集成法插值边缘区域的具体步骤如下: 第一歩:插值G平面 (1)估计R点的G分量 1)估计R点的色差值 ①.构造色差平面Kr:在马赛克图像的G点利用Kr(u=Gu-(URi+1，p/2(G在偶数行)和Km1) 在奇数行)构造色差平面； ②.构建原始样本集:在ん色差平面上，以每ー个も为中心点，若其周围5X5区域内!-值均存在，则以该点的も值作为输出样本构造两个样本,例如，选择输入样本为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，输出样本为KrQj.)的样本；选择输入样本为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，_!]出样本为的样本，将上述方式构造的样本组成原始样本集X=氏，X2，…，Xn}； ③.训练成员回归机:先对原始样本集X采用bootstrap重采样技术获得N组含有m(m<n)个样本的样本集,构成子系统集合S= { S1, S2,…，SN};再对姆ー个子系统も米用基于属性重要度的粗糙集相对约减算法进行属性约简—ち'—;再统计属性约简re—、出现的频率
【文档编号】H04N1/58GK103442159SQ201310392291
【公开日】2013年12月11日 申请日期:2013年9月2日 优先权日:2013年9月2日
【发明者】贾晓芬, 赵佰亭, 周孟然, 姚善化, 李振璧 申请人:安徽理工大学