基于非线性压缩感知的人脸图像超分辨重构方法
【技术领域】
[0001] 本发明属于图像处理技术领域，主要设及图像超分辨重构，具体是一种基于非线 性压缩感知的人脸图像超分辨重构方法，可用于各类人脸图像的超分辨率重构。
【背景技术】
[0002] 人脸图像的处理一直是模式识别、计算机视觉和多媒体信息处理领域中的研究热 点之一。人脸图像超分辨率重构具有重要的实际应用价值，尤其是在人脸识别、视频监控、 安全部口等领域具有十分重要的应用。现有的人脸图像超分辨率重构技术可W分为两类： 基于重建的方法和基于学习的方法。基于重建的算法对图像获取过程建立成像模型，通过 求解模型的逆问题来复原高分辨率图像。基于学习的方法则通过学习高低分辨率图像之间 的关系，指导图像的高频信息重构，是目前被公认为最有潜力的方法。化eeman等人提出了 一种基于学习的重构方法，通过马尔科夫随机模型和先验知识来学习低分辨率图像块和高 分辨率图像块之间的对应关系，并利用该种对应关系指导图像的超分辨率重构。Sun等人则 对化eeman等人的方法进行了扩展，主要是在重构过程中用原始的轮廓先验知识来减少边 界和细节的过平滑。对于人脸图像超分辨率重构来说，不同人脸在细节上如形状、大小、颜 色上都有差异，人脸本身是不规则的复杂模式，具有模式的可变性。上述该些方法没有考虑 人脸细节的差异，重构效果较差。同时该些方法需要大量的训练样例W保证重构的效果和 质量，计算量巨大，图像重构时间长，导致效率偏低，并且在较高的放大因子条件下，重构人 脸图像的质量一般。
【发明内容】
[0003] 本发明的目的在于克服上述已有技术的缺点，提出一种基于非线性压缩感知的人 脸图像超分辨重构方法，W缩短图像重构时间，提高重构图像的效率和质量，有效的改善了 人脸图像的识别效率。
[0004] 本发明是一种基于非线性压缩感知的人脸图像超分辨重构方法，其特征在于，包 括有如下步骤：
[000引步骤1 ;输入训练人脸图像化用低分辨率训练人脸图像学习构造一个规模为N的 低分辨率图像块字典X,=林并用高分辨率训练人脸图像学习构造一个规模为N的与 低分辨率图像块字典本=把階相对应的高分辨率图像块字典K=说―培1 ;
[0006] 步骤2 ;输入待超分辨率重构的低分辨率测试图像Y，按重叠的方式分块得到测试 图像的低分辨率图像块集A=护:记；
[0007] 步骤3 ;对于输入的低分辨率测试图像块X;，计算X;与训练字典的欧氏距离，在低 分辨率图像块字典X,=托'语1中找到输入的低分辨率测试图像块X;的m个低分辨率图像 近邻块{為Ix/ €N,}，从而得到m个高分辨率图像近邻块如/I於GN,}，N;是為在高、低分 辨率图像块字典X,中的邻域；
[000引步骤4 ;构造多项式核函数k(a，b) = (<a，b〉+cons)hdex，a，b为两个不同的函数变 量，cons为常数，cons> 0,index为核函数的指数，index取大于0的奇数，对高分辨率图 像近邻块{乂| 乂gN,}进行核主成分分析化-PCA)得到稀疏基ViW及稀疏系数a
[000引步骤5;通过最小二乘方法计算测试图像块的稀疏矩阵卢,=护.、:;=(护'巧|护.<， 其中G+是中间矩阵G的伪逆矩阵，0T是中间矩阵G的转置矩阵，（GTg)-i是矩阵0tg的逆矩 阵；
[0010] 步骤6;通过Pre-image的方法对高分辨率测试图像块乂进行重构；
[00川步骤7 ;重复步骤3到步骤6,对所有的输入低分辨率测试图像小块依次处理，遍历 全图得到高分辨率测试图像块集K=W惟，从而得到最终的测试图像的高分辨率重构图 像X*。
[0012] 本发明的技术方案是首先对一组训练样例图像对进行预处理，构造一对低分辨图 像块与高分辨图像块字典；接着输入低分辨率人脸图像，即测试图像，对输入的低分辨率图 像进行分块；然后寻找输入人脸图像块的m个低分辨率图像近邻块，得到对应的高分辨率 图像近邻块，通过核主成分分析化-PCA)训练得到稀疏系数；最后构造非线性压缩感知超 分辨重构模型，通过最小二乘方法计算测试图像块的稀疏矩阵，并利用Pre-image方法得 到最终的测试图像的高分辨率图像，完成非线性压缩感知的人脸图像超分辨重构。
[0013] 本发明与现有的技术相比具有W下优点：
[0014] 1.本发明由于采用非线性压缩感知方法求解一个解析公式来完成待重构图像的 优化更新，避免了大规模的循环迭代过程，减少了计算量，从根本上提高了运行速度，缩短 了时间。
[0015] 2.由于非线性空间的内积运算不好求解，本发明利用核主成分分析化-PCA)训练 字典，将非线性空间的运算转化成线性空间的运算，算法复杂度降低，进一步提高了算法的 运行速度。
[0016] 3.由于W往的方法在高放大因子的情况下，重构图像会产生银齿效应，轮廓不清 晰，边缘模糊。本发明采用非线性压缩感知方法增强了对高放大因子下人脸图像重构的效 果，克服了传统基于模型的算法对于高放大因子效果不好的问题。
[0017] 实验证明，本发明适用于各种人脸图像的超分辨率重构，通过本方法进行重构后， 重构图像的细节纹理信息都保持得比较好，为实际应用提供了强有力的手段。
【附图说明】
[001引图1是本发明的总流程图；
[0019] 图2是本发明采用的训练人脸图像；
[0020] 图3是用本发明对测试化11图像的重构效果图；
[0021] 图4是用本发明对测试化12图像的重构效果图；
[0022] 图5是用本发明对测试化13图像的重构效果图；
[0023] 图6是用本发明对测试化14图像的重构效果图；
[0024] 图7是用本发明对测试化15图像的重构效果图。
[00巧]具体实施方法
[0026] 人脸图像的处理一直是模式识别、计算机视觉和多媒体信息处理领域中的研究热 点之一。在该些领域人们渴望获得高分辨率人脸图像，而实际情况中，往往受到图像拍摄条 件差、噪声干扰严重、成像设备自身分辨率低的限制，人们所能获得的图像视觉质量较低、 分辨率不高。图像超分辨重构能从低分辨率图像重构得到分辨率较高的清晰图像，能较好 的满足现实中人们对清晰的、分辨率高的图像的需求。本发明旨在提出一种基于非线性压 缩感知的人脸图像超分辨重构方法，避免了大规模的循环迭代过程，降低了算法复杂度，缩 短了重构时间，增强了对高放大因子下人脸图像重构的效果，同时有效的改善了人脸图像 的识别效率，增强了实际的应用。
[0027] 下面结合附图对本发明详细说明：
[0028] 实施例1
[0029] 本发明是一种基于非线性压缩感知的人脸图像超分辨重构方法，参见图1，本发明 对人脸图像超分辨重构包括有如下步骤：
[0030] 步骤1;输入训练人脸图像对，用低分辨率训练人脸图像学习构造一个规模为N的 低分辨率图像块字典X, 并用高分辨率训练人脸图像学习构造一个规模为N的与 低分辨率图像块字典X=把柏相对应的高分辨率图像块字典K= {乂培,。输入的训练人 脸图像化参见图2,图2中有5行图像，每一行图像有六个人脸图像，在该30个人脸图像中 包括各种人脸图像。本例中展示了一些人脸图像，有的是正面照，有的是侧面照；有的仰视， 有的俯视；有白人，有黑人，也有黄种人；有的戴眼镜，有的没有戴眼镜；有男人，有女人；有 年长的，有年少的；有长发，有短发；有微笑的，有无表情的等等。针对要重构的测试图像， 需从该些图像中选出与要重构的测试图像尽可能相似的图像作为人脸训练图像。
[0031] 图2所展示的该些图像都是高分辨率的图像，对该些图像下采样得到低分辨率图 像，用低分辨率图像和对应的高分辨率图像共同构成训练图像对。
[0032] 步骤2;输入待超分辨率重构的低分辨率测试图像Y，按重叠的方式分块得到测试 图像的低分辨率图像块集X,={X化兰。本例中测试图像参见图3 (a)，图3 (a)是图像化11作 为测试图像的低分辨率输入图像，将图像Orll作为实验数据，对其进行分块得到低分辨率 图像块集。从图3(a)中可W看出图像比较模糊，它的放大因子是6倍，五官很不清晰，本发 明就是要针对该类图像进行重构，使轮廓和五官更加清晰，增强人脸图像的识别度。
[003引步骤3 ;对于输入的低分辨率测试图像块X;'，计算X;'与训练字典的欧氏距离，在低 分辨率图像块字典X,=(功為中找到输入的低分辨率测试图像块X;的m个低分辨率图像近 邻块把IX/eN,.}，得到m个高分辨率图像近邻块的I乂 €N,}，风是低分辨率测试图像块 在高、低分辨率图像块字典X,中的邻域。本例中选择20个固定的邻域块，即m= 20。 [0034] 步骤4 ;构造多项式核函数k(a，b)=(<a，b〉+cons)hdex，a，b为两个不同的函数变 量，cons为常数，cons> 0,index为核函数的指数，index取大于0的奇数，对高分辨率图 像近邻块{记I乂eN,}进行核主成分分析化-PCA)得到测试图像块的稀疏基ViW及稀疏系 数a1。本例中cons设为0. 5,index设为5。
[00巧]步骤5 ;通过最小二乘方法计算测试图像块的稀疏矩阵片.=护..< =(护G) |护.<， 其中G+是中间矩阵G的伪逆矩阵，〇T是中间矩阵G的转置矩阵，（GTg)-i是矩阵〇tg的逆矩