CN101556601A - 搜索k近邻的方法和装置 - Google Patents

Abstract

本发明公开了一种搜索k近邻的方法和装置，属于计算机技术领域。搜索k近邻的方法包括：将图像块训练样本进行采样，得到图像块待搜索样本；将所述图像块待搜索样本划分到树结构中；在所述树结构中，为图像块测试样本搜索k近邻。装置包括：采样模块、划分模块和搜索模块。通过对训练样本进行采样减少搜索样本数，并将采样后得到的搜索样本划分至树结构中作为叶节点，保证了在尽可能不丢失重要样本的前提下对样本进行选取和划分，减少了计算量和计算时间，从而加速了k近邻的搜索速度，使得k近邻的搜索速度得到了极大的提升。

Description

搜索k近邻的方法和装置

技术领域

本发明涉及计算机技术领域，特别涉及一种搜索k近邻的方法和装置。

背景技术

现有技术中，为测试样本搜索k近邻的方法可以包括如下步骤：计算测试样本与全部训练样本之间的距离，并从计算得到的距离中选择最短的前k个训练样本作为测试样本的k近邻。

一种典型的应用搜索k近邻方法的场景是超分辨率图像重构：图像超分辨率重构是一种将低分辨率图像放大成高分辨率图像，并保持图像中的细节不会失真、不会出现马赛克等效果的技术。它有着广泛的应用背景，如：人脸检测与识别，低带宽的视频传输，图像恢复，人脸表情分析，数码相机的DigitalZooming(数字变焦)技术等。

目前，图像超分辨率重构可以分为三个主要的范畴：基于插值、基于重建和基于学习的方法。其中，基于学习的图像超分辨率重构是目前热门的研究课题。基于学习的超分辨率重构的基本假设是：高分辨率图像和对应的低分辨率图像假设在特征空间形成了具有相同局部几何结构的流形。这样，高分辨率图像可以由一系列优化加权的低分辨率图像估计得到。这种图像的超分辨率重构无论是在特定领域、或是通用领域的超分辨率重构都取得了非常好的效果。

在实现本发明的过程中，发明人发现上述现有技术至少具有以下缺点：

在搜索k近邻的过程中，由于搜索k近邻的处理速度很慢，效率低，不但浪费执行主体如计算机等的硬件资源，又会浪费时间。

发明内容

为了提高搜索k近邻的速度，本发明实施例提供了一种搜索k近邻的方法和装置。所述技术方案如下：

一种搜索k近邻的方法，包括：

将图像块训练样本进行采样，得到图像块待搜索样本；

将所述图像块待搜索样本划分到树结构中；

在所述树结构中，为图像块测试样本搜索k近邻。

一种搜索k近邻的装置，包括：

采样模块，用于将图像块训练样本进行采样，得到图像块待搜索样本；

划分模块，用于将所述采样模块中得到的所述图像块待搜索样本划分到树结构中；

搜索模块，用于在所述树结构中，为图像块测试样本搜索k近邻。

本发明实施例提供的技术方案带来的有益效果是：

通过对训练样本进行采样减少搜索样本数，并将采样后得到的搜索样本划分至树结构中，保证了在尽可能不丢失重要样本的前提下对样本进行选取和划分，减少了计算量和计算时间，从而加速了k近邻的搜索速度，使得k近邻的搜索速度得到了极大的提升。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1提供的搜索k近邻的方法流程图；

图2是本发明实施例2提供的搜索k近邻的方法流程图；

图3是本发明实施例2提供的将距离的计算转换为一种变形的矩阵计算的示意图；

图4是本发明实施例2提供的随机投影树的数据点分布示意图；

图5a至图5d是本发明实施例2提供的应用搜索k近邻方法的超分辨率图像重构的方法与其他方法的运行时间比较示意图；

图6是本发明实施例3提供的搜索k近邻的装置结构示意图；

图7是本发明实施例3提供的搜索k近邻的装置另一种结构示意图；

图8是本发明实施例3提供的搜索模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

为了提高搜索k近邻的速度，本发明实施例提供了一种搜索k近邻的方法，参见图1，该方法包括：

101：将图像块训练样本进行采样，得到图像块待搜索样本；

其中，采样的方法可以具体为：计算任意两个训练样本之间的距离；当计算的距离小于预先设定的值时，删除这两个训练样本中的一个。

需要说明的是，训练样本具体可以指预先保存的、具有一定代表性且具有一定规模数量的样本，训练样本一般是可以通用的。

102：将图像块待搜索样本划分到树结构中；

这里需要说明的是，可以将图像块待搜索样本划分到k-d树、随机投影树等多种树结构中，由于划分树结构是现有技术，本实施例不做赘述。

103：在树结构中，为图像块测试样本搜索k近邻。

需要说明的是，测试样本是针对训练样本而言的，通常为个体，本实施例提供的方法即是在训练样本中为测试样本搜索k近邻。

其中，为测试样本搜索k近邻可以具体为：

将图像块测试样本划分到树结构中作为叶节点；

计算图像块测试样本与其所在枝干上的其他叶节点之间的距离；

将全部距离进行排序，选择距离最短的前k个图像块待搜索样本作为该图像块测试样本的k近邻。

本发明实施例通过对训练样本进行采样减少搜索样本数，并将采样后得到的待搜索样本划分至树结构中作为叶节点，保证了在尽可能不丢失重要样本的前提下对样本进行选取和划分，减少了计算量和计算时间，从而加速了k近邻的搜索速度，使得k近邻的搜索速度得到了极大的提升。

实施例2

超分辨率图像的重构，是一种典型的应用搜索k近邻方法的情况，这里结合超分辨率图像重构的方法，对搜索k近邻的方法做进一步详细的介绍。参见图2，本发明实施例提供了一种搜索k近邻的方法，在本实施例中，假设执行主体(可以为计算机或其他)已经保存了一定规模的知识库，该方法中所应用到的高分辨率训练图像出自已经保存的知识库。该方法包括：

201：根据待重构的低分辨率测试图像x_t欲超分辨率的倍数n，将高分辨率训练图像集Y_s中的每幅高分辨率训练图像y_s的像素降低n倍，作为低分辨率训练图像集X_s；

需要说明的是，将高分辨率训练图像y_s的像素降低的方法有很多种，可以通过常用的计算机软件(如photoshop、picture manager等)实现，由于实现的方法为现有技术，在此不做赘述。

202：将每一幅得到的低分辨率训练图像x_s分割成s×s个重叠的训练图像块xⁱ _s，并将高分辨率训练图像y_s按照相同的方式分割成ns×ns个重叠的训练图像块yⁱ _s；

其中，需要说明的是，一般按照经验和惯例对s进行取值，s为正整数。低分辨率训练图像x_s中的一个训练图像块，与高分辨率训练图像y_s中的n×n个训练图像块之间具有一一对应的关系。

203：使用与步骤202中分割低分辨率训练图像x_s相同的方式，将待重构的低分辨率测试图像x_t分割成s×s个重叠的测试图像块xⁱ _t；

需要说明的是，本实施例并不限制步骤202与步骤203之间的先后顺序，只需要规定低分辨率训练图像x_s与低分辨率测试图像x_t之间使用相同的分割图像块的方法即可。

204：对低分辨率训练图像x_s中的训练图像块进行采样，减少低分辨率训练图像集X_s中训练图像块的总样本数；

其中，可以使用流形采样、典型图像块采样等多种采样方法对训练图像块进行采样，本发明实施例中以流形采样对训练图像块进行采样为例进行说明：

流形采样具体指的是，给定d维的m个训练图像块xⁱ _s(i＝1，......，m)，当任意两个训练图像块xⁱ _s、x^j _s之间的测地线距离小于一个非常小的数，或者x^j _s是xⁱ _s的一个k近邻时，x^j _s与xⁱ _s之间的测地线距离就可以用欧式距离近似；而当x^j _s与xⁱ _s之间的测地线距离相对较远时，x^j _s与xⁱ _s之间的测地线距离就可以用两点间的最短路径近似：

d(x_s ⁱ，x_s ^j)＝min{d(x_s ⁱ，x_s ^j)，d(x_s ⁱ，x_s ^k)+d(x_s ^k，x_s ^j)} $\∀k,0\≤k\≤m$

一旦任意两个训练图像块之间的测地线距离都计算得到后，可以根据近似的测地线距离对整个低分辨率训练图像集X_s中的全部训练图像块进行采样，即当两个训练图像块之间的距离小于预先设定的流形采样的阀值δ时，就删除其中的一个训练图像块，完成对低分辨率训练图像集中训练图像块的流形采样。

流形采样后的低分辨率训练图像集X_s中，训练图像块的总样本数减少，为后续步骤中的k近邻搜索提供了更少但是更有效、更具典型性的总样本数，加速了k近邻的搜索。

205：将经过采样后的低分辨率训练图像块划分到树结构中；

这里需要说明的是，树结构的种类有很多，可以是k-d树，也可以是随机投影树，其中，随机投影树是优选的树结构，因为，以随机投影树为例。

具体地，随机投影树作为k-d树的一个变种，可以根据数据点的内在维数将D维空间进行层次划分。但是当实际数据点的分布不均匀时，会导致随机投影树的不平衡。为了避免随机投影树的不平衡，本发明实施例使用流形采样后的低分辨率训练图像块作为数据点进行树结构的划分。

随机投影树可以通过一种流处理的方式构建，即：每次读入一个数据点，接着对树结构进行更新，再读入下一个数据点。在每一个新数据点到达时，更新下列的统计值：

μ_i←(1-α₁)μ_i-1+α₁xⁱ _s

${\mathrm{\σ}}_i^2\←(1-{\mathrm{\α}}_2){\mathrm{\σ}}_{i-1}^2+{\mathrm{\α}}_2{({x^i}_s-{\mathrm{\μ}}_i)}^2$

其中，μ_i和σ_i ²分别表示第i次迭代的均值和方差，α₁和α₂是加权因子，xⁱ _s表示第i次读入的新数据点。这些统计值用于描述随机投影树中的数据点分布是否合理。

206：在树结构中，为每个测试图像块xⁱ _t搜索k近邻，即k个距离最近的图像块；

(1)将每个测试图像块xⁱ _t作为随机投影树的一个新的数据点，随机投影树按照既定的规则将该测试图像块xⁱ _t划分到树结构的某一枝作为该枝的页节点；

(2)计算该测试图像块xⁱ _t与该枝中的每个训练图像块之间的距离；

这里，在计算测试图像块与枝中每个训练图像块之间的距离时，现有技术中是逐个进行计算的。为了加速距离的计算，将测试图像块xⁱ _t表示为一个d维的向量a_i＝[a_i1，a_i2，......，a_id]^T，同时将枝中每个训练图像块都表示为一个d维的向量b_j＝[b_j1，b_j2，......，b_jd]^T，那么，测试图像块与枝中训练图像块之间的距离的平方可以表示为两个向量之间的点乘：

$d_{\mathrm{ij}}^2=a_i\·b_j=\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{(a_{i_k}-b_{j_k})}^2$

从上式的表达中可以看出，这种向量之间求距离的方法与两个矩阵之间的乘法很相似：

两个矩阵A(a_ij)_m×d和B(b_ij)_d×n之间的乘法定义为：

C＝AB， $c_{\mathrm{ij}}=\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{a}_{\mathrm{ik}}{b}_{\mathrm{kj}},$ 0＜i＜m，0＜j＜n

两个矩阵之间的乘法中结果矩阵中的每个元素是由两个矩阵中的元素相乘后相加求得的，而向量表示的距离的平方是两个向量中的元素相减后求平方再相加得到的，除了算法不同之外，计算的方式是很相似的。而两个矩阵的乘法是一种并行化的计算，也就是说，结果矩阵中的每一个元素都是同时得到的，相比较于现有技术的逐个计算，可以对计算的速度有很大的提升。

将距离的计算转化为矩阵的并行化计算，具体的实施方式可以参见图3：

将每个低分辨率测试图像块都表示为一个d维的向量a_i＝[a_i1，a_i2，......，a_id]^T，使用全部低分辨率测试图像块表示的向量组成测试图像块矩阵将每个低分辨率训练图像块都表示为一个d维的向量b_j＝[b_j1，b_j2，......，b_jd]^T，并相应于低分辨率测试图像块矩阵的顺序，将每个低分辨率测试图像块所对应的枝中的全部训练图像块表示的向量组成训练图像块矩阵

那么，第i个测试图像块与第j个训练图像块之间的距离矩阵D(d_ij ²)_m×n可以这样计算得到：

其中⊙表示两个矩阵直接的运算，这种直接的运算定义为：

$d_{\mathrm{ij}}^2=x_{t_i}\·x_{s_j}=\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{(x_{t_{\mathrm{ik}}}-x_{s_{\mathrm{jk}}})}^2.$

例如，现有技术计算测试图像块[a1，a2，a3]^T与训练图像块[b1，b2，b3]^T、训练图像块[c1，c2，c3]^T之间的距离的方法为：逐个计算d_ab ²＝(a1-b1)²+(a2-b2)²+(a3-b3)²，d_ac ²＝(a1-c1)²+(a2-c2)²+(a3-c3)²，而本发明实施例不仅可以同时计算出d_ab ²、d_ac ²，还可以同时计算其他测试图像块与训练图像块之间的距离，节省了大量的计算时间。

需要说明的是，与现有技术中使用CPU的单线程依次计算每一对像素点之间的距离然后再求和相比，本发明实施例提供的这种将距离的计算转换为一种变形的矩阵计算的优点在于：使用GPU的多线程同时计算每个测试图像块与其对应枝中的训练图像块之间的距离，使得k近邻的搜索在速度上得到了大幅度的提高，加速了k近邻的搜索。

(3)对计算后的距离进行排序，选择距离最短的前k个训练图像块作为该测试图像块xⁱ _t的k近邻。其中，由于k值通常比较小，对于k近邻搜索后的排序问题，可以使用插入排序以获得最好的性能，当然，也可以是用其他排序方式，本实施例中不予以一一列举。

207：计算邻域嵌入权重的最优值；

需要说明的是，步骤206中搜索到的待重构的低分辨率测试图像块的k近邻，需要通过加权嵌入到待重构的低分辨率测试图像块的邻域，实现重构。本步骤的目的即为计算权值的最优值。

其中，最优权值的计算是通过最小化测试图像块xⁱ _t的局部重构误差来实现的，即：

$\mathrm{\ϵ}=\min {\left|\right|{x^i}_t-\underset{{x^i}_s\∈N_{{x^i}_t}}{\mathrm{\Σ}}{{\mathrm{\ω}}^i}_{\mathrm{ts}}{x^i}_s\left|\right|}^2,$ ${x^i}_t,{x^i}_s\∈R^d---\left(1\right)$

其中，

表示测试图像块xⁱ _t在低分辨率训练图像xⁱ _s的k近邻，ωⁱ _ts是xⁱ _s所对应的权值，服从约束条件 ${\mathrm{\Σ}}_{{x^i}_s\∈N_{{x^i}_t}}{{\mathrm{\ω}}^i}_{\mathrm{ts}}=1,$ 以及对于每一个 ${x^i}_s\∉N_{{x^i}_t}$ 都有ωⁱ _ts＝0。

基于以上条件，式(1)的解可以转化为约束最小二乘问题。如果为测试图像块xⁱ _t定义局部的Gram矩阵G：

G＝(xⁱ _t1^T-X)^T(xⁱ _t1^T-X)

其中，“1”表示一列元素全为1的矩阵，X表示一个由xⁱ _t的邻域组成其每一列的一个矩阵，(1)式就可以得到闭式解：

$W=\frac{G^{-1}1}{1^T{G}^{-1}1}$

其中，W＝{ωⁱ _ts}。

由于W的求解需要对Gram矩阵G求逆，在实际的算法中常常通过求解线性系统方程GW＝1，然后将获得的权值标准化使得 ${\mathrm{\Σ}}_{{x^i}_s\∈N_{{x^i}_t}}{{\mathrm{\ω}}^i}_{\mathrm{ts}}=1.$

208：使用最优权值ωⁱ _ts和低分辨率训练图像块与高分辨率训练图像块之间的几何相似性，构建高分辨率测试图像块y_t；

其中，高分辨率测试图像块yⁱ _t的计算方法可以为：

其中，yⁱ _s表示低分辨率测试图像块xⁱ _s所对应的高分辨率测试图像块。这里需要说明的是，为了并行化这个模块，将(2)式重写为矩阵乘以向量的形式： $y_t^i=Y_s^i{\mathrm{\ω}}^i$

其中，Y_s ⁱ是p×k的矩阵，ωⁱ是k×1的向量。这时候，每一个y_t ⁱ的元素都可以由GPU一个独立的线程计算得到，从而可以加速高分辨率测试图像块的重建速度。

209：为了保证图像的连续性，每个高分辨率测试图像块之间是有重叠的，可以通过对重叠区域的图像的像素值进行简单求和平均，计算得到重叠区域的图像的像素值。

参见表1和表2，表1给出了未使用本实施例提供的搜索k近邻的方法的超分辨率重构的运行时间表，而表2给出了使用本实施例提供的搜索k近邻的方法的超分辨率重构的运行时间表，从表1与表2的对比中可以发现，总的运行时间被均匀地分布在所有的子程序中。

表1

	运行时间(秒)	百分比
			前处理	0.20	0.26％
K近邻	76.83	99.24％

邻域嵌入权重计算	0.09	0.12％
			邻域嵌入重构计算	0.21	0.27％
后处理	0.09	0.11％
			总计	77.42	100％

表2

	运行时间(秒)	百分比
			前处理	0.03	7.32％
K近邻	0.16	39.02％
			邻域嵌入权重计算	0.09	21.95％
邻域嵌入重构计算	0.05	12.20％
			后处理	0.08	19.51％
总计	0.41	100％

参见图4，图4中显示了随机投影树的数据点分布情况。其中条纹填充的柱状条表示没有经过流形采样的随机投影树的数据点分布，可以看出，有部分树节点包含远远大于正常点数的样本数；而经过流形采样后的随机投影树(花纹填充的柱状条表示)则都集中在一个正常的范围内，没有出现任何“巨大”的树结点。

参见表3和图5，从表3和图5中可以看出，不同方法在处理不同分辨率图像时的运行时间。其中，所有带有随机性的实验都运行了10次，并计算其运行时间的方差和均值，括号中表示的是超分辨率图像的均方根误差。在恢复质量基本保持不变的基础上，本实施例提供的方法在运行时间上获得了相当大的提升。

表3

图像分辨率	280*280	500*348	700*467	1024*768
					图像块数量	4,624	10,455	19,722	48,160
暴力法	77.67(0.0368)	175.95(0.0501)	330.06(0.0343)	804.86(0.0561)
					随机投影树	19.16±6.48(0.0368)	46.38±12.31(0.0503)	99.40±32.48(0.0344)	254.19±79.50(0.0562)
部分距离搜索法	16.66(0.0368)	43.38(0.0503)	75.46(0.0343)	183.62(0.0562)

随机投影树+部分距离搜索法	5.96±2.14(0.0368)	10.45±1.74(0.0503)	21.15±3.46(0.0344)	66.20±20.79(0.0562)
					流形采样+暴力法	37.84(0.0369)	86.21(0.0505)	160.99(0.0344)	393.52(0.0563)
流形采样+随机投影树	4.19±0.53(0.0369)	9.26±0.42(0.0507)	15.87±0.97(0.0345)	47.00±1.68(0.0563)
					流形采样+部分距离搜索	7.04(0.0369)	18.96(0.0505)	32.40(0.0344)	75.35(0.0562)
流形采样+随机投影树+部分距离搜索	1.56±0.06(0.0369)	3.79±0.21(0.0507)	4.12±0.25(0.0345)	6.75±0.47(0.0563)
					GPU暴力法	0.68(0.0368)	1.17(0.0501)	1.93(0.0343)	4.35(0.0561)
GPU暴力法+随机投影树	0.72±0.06(0.0368)	1.04±0.02(0.0503)	1.55±0.04(0.0344)	3.05±0.07(0.0562)
					流形采样+GPU暴力法	0.43(0.0369)	0.81(0.0505)	1.43(0.0344)	3.30(0.0563)
交互式邻域嵌入超分辨率	0.43±0.01(0.0369)	0.74±0.01(0.0507)	1.23±0.01(0.0345)	2.62±0.04(0.0563)
					加速比	183	230	261	286

需要说明的是，本发明实施例提供的对于k近邻搜索的加速可以应用在所有包含该方法的算法中，在保持质量基本不变的前提下，极大地提高了k近邻搜索的运行速度。

当然，搜索k近邻的方法不仅可以应用在超分辨率图像重构当中，这种方法还可以被应用在多种领域当中，例如生物医药领域中的癌细胞的搜索等。

本发明实施例通过对训练样本进行采样减少搜索样本数，并将采样后得到的搜索样本划分至树结构中作为叶节点，保证了在尽可能不丢失重要样本的前提下对样本进行选取和划分，减少了计算量和计算时间，从而加速了k近邻的搜索速度，使得k近邻的搜索速度得到了极大的提升；同时，在GPU的每个线程上对图像进行重构，加速了重构的速度，使得超分辨率图像重构的执行效率得到了极大的提升。

实施例3

参见图6，本发明实施例提供了一种搜索k近邻的装置，参照方法实施例中的具体描述，该装置包括：

采样模块601，用于将图像块训练样本进行采样，得到图像块待搜索样本；

划分模块602，用于将采样模块中601得到的图像块待搜索样本划分到树结构中；

搜索模块603，用于在树结构中，为图像块测试样本搜索k近邻。

其中，图像块训练样本为低分辨率训练图像块，图像块测试样本为待重构的低分辨率测试图像块；

相应地，参照方法实施例中的具体描述，参见图7，该装置还可以包括：

计算模块604，用于计算所述k近邻嵌入所述待重构的低分辨率测试图像块的邻域的权值；

重构模块605，用于根据权值对待重构的低分辨率测试图像块进行超分辨率重构，得到高分辨率测试图像。

其中，参照方法实施例中的具体描述，采样模块601具体包括：

计算单元，用于计算任意两个低分辨率训练图像块之间的距离；

采样单元，用于当计算单元计算的距离小于预先设定的值时，删除两个低分辨率训练图像块中的一个。

参照方法实施例中的具体描述，参见图8，搜索模块603具体包括：

划分单元603A，用于将待重构的低分辨率测试图像块划分到树结构的枝干上作为叶节点；

计算单元603B，用于计算待重构的低分辨率测试图像块与其所在枝干上的其他叶节点之间的距离；

排序单元603C，用于将距离进行排序，选择距离最短的前k个低分辨率训练图像块作为待重构的低分辨率测试图像块的k近邻。

其中，参照方法实施例中的具体描述，计算单元603B具体包括：

第一子单元，用于将枝干上的每个低分辨率训练图像块的全部像素点作为参考点矩阵的一列；

第二子单元，用于将待重构的低分辨率测试图像块的全部像素点作为查询点矩阵的一列；

第三子单元，用于将参考点矩阵中的每一列与查询点矩阵转置之间直接做运算，得到待重构的低分辨率测试图像块与枝干中的其他低分辨率训练图像块之间的距离。

本发明实施例提供的搜索k近邻的装置，通过对训练样本进行采样减少搜索样本数，并将采样后得到的搜索样本划分至树结构中作为叶节点，保证了在尽可能不丢失重要样本的前提下对样本进行选取和划分，减少了计算量和计算时间，从而加速了k近邻的搜索速度，使得k近邻的搜索速度得到了极大的提升；同时，在GPU的每个线程上对图像进行重构，加速了重构的速度，使得超分辨率图像重构的执行效率得到了极大的提升。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1、一种搜索k近邻的方法，其特征在于，包括：

将图像块训练样本进行采样，得到图像块待搜索样本；

将所述图像块待搜索样本划分到树结构中；

在所述树结构中，为图像块测试样本搜索k近邻。

2、如权利要求1所述的方法，其特征在于，所述图像块训练样本为低分辨率训练图像块，所述图像块测试样本为待重构的低分辨率测试图像块；

相应地，所述在所述树结构中，为图像块测试样本搜索k近邻之后，所述方法还包括：

计算所述k近邻嵌入所述待重构的低分辨率测试图像块的邻域的权值；

根据所述权值对所述待重构的低分辨率测试图像块进行超分辨率重构，得到高分辨率测试图像。

3、如权利要求2所述的方法，其特征在于，所述将图像块训练样本进行采样，包括：

计算任意两个低分辨率训练图像块之间的距离；

当所述距离小于预先设定的值时，删除所述两个低分辨率训练图像块中的一个。

4、如权利要求1所述的方法，其特征在于，所述图像块训练样本为低分辨率训练图像块，所述图像块测试样本为待重构的低分辨率测试图像块，所述在所述树结构中，为图像块测试样本搜索k近邻，包括：

将所述待重构的低分辨率测试图像块作为叶节点划分到所述树结构的枝干上；

计算所述待重构的低分辨率测试图像块与其所在枝干上的其他叶节点之间的距离；

将所述距离进行排序，选择距离最短的前k个低分辨率训练图像块作为所述待重构的低分辨率测试图像块的k近邻。

5、如权利要求4所述的方法，其特征在于，所述计算所述待重构的低分辨率测试图像块与其所在枝干上的其他叶节点之间的距离，包括：

将所述枝干上的每个低分辨率训练图像块的全部像素点作为参考点矩阵的一列；

将所述待重构的低分辨率测试图像块的全部像素点作为查询点矩阵的一列；

将所述参考点矩阵中的每一列与所述查询点矩阵转置之间直接做运算，得到所述待重构的低分辨率测试图像块与所述枝干中的其他低分辨率训练图像块之间的距离。

6、一种搜索k近邻的装置，其特征在于，包括：

采样模块，用于将图像块训练样本进行采样，得到图像块待搜索样本；

划分模块，用于将所述采样模块中得到的所述图像块待搜索样本划分到树结构中；

搜索模块，用于在所述树结构中，为图像块测试样本搜索k近邻。

7、如权利要求6所述的装置，其特征在于，所述训练样本为低分辨率训练图像块，所述测试样本为待重构的低分辨率测试图像块；

相应地，所述装置还包括：

计算模块，用于计算所述k近邻嵌入所述待重构的低分辨率测试图像块的邻域的权值；

重构模块，用于根据所述权值对所述待重构的低分辨率测试图像块进行超分辨率重构，得到高分辨率测试图像。

8、如权利要求7所述的装置，其特征在于，所述采样模块具体包括：

计算单元，用于计算任意两个低分辨率训练图像块之间的距离；

采样单元，用于当所述计算单元计算的距离小于预先设定的值时，删除所述两个低分辨率训练图像块中的一个。

9、如权利要求6所述的装置，其特征在于，所述训练样本为低分辨率训练图像块，所述测试样本为待重构的低分辨率测试图像块，所述搜索模块具体包括：

划分单元，用于将所述待重构的低分辨率测试图像块划分到所述树结构的枝干上作为叶节点；

计算单元，用于计算所述待重构的低分辨率测试图像块与其所在枝干上的其他叶节点之间的距离；

排序单元，用于将所述距离进行排序，选择距离最短的前k个低分辨率训练图像块作为所述待重构的低分辨率测试图像块的k近邻。

10、如权利要求9所述的装置，其特征在于，所述计算单元具体包括：

第一子单元，用于将所述枝干上的每个低分辨率训练图像块的全部像素点作为参考点矩阵的一列；

第二子单元，用于将所述待重构的低分辨率测试图像块的全部像素点作为查询点矩阵的一列；

第三子单元，用于将所述参考点矩阵中的每一列与所述查询点矩阵转置之间直接做运算，得到所述待重构的低分辨率测试图像块与所述枝干中的其他低分辨率训练图像块之间的距离。

Images