[发明专利]一种基于最近特征线流形学习的人脸图像超分辨率方法

权利要求书

1.一种基于最近特征线流形学习的人脸图像超分辨率方法，其特征在于，包括如下步骤：

步骤1，输入低分辨率人脸图像，对输入的低分辨率人脸图像、低分辨率训练集中的低分辨率人脸样本图像以及高分辨率训练集中的高分辨率人脸样本图像划分相互重叠的图像块；

步骤2，对于输入的低分辨率人脸图像中每个图像块，取低分辨率训练集中每个低分辨率人脸样本图像相应位置的图像块作为样本点，建立低分辨率人脸样本块空间，计算在低分辨率人脸样本块空间上的                                                个最近的投影点；

步骤3，对于输入的低分辨率人脸图像中每个图像块，使用步骤2所得低分辨率人脸样本块空间上的个最近的投影点进行线性重构，得到线性重构的权重系数；

步骤4，对于输入的低分辨率人脸图像中每个图像块，取高分辨率训练集中每个高分辨率人脸样本图像相应位置的图像块作为样本点，建立高分辨率人脸样本块空间，计算在高分辨率人脸样本块空间上与步骤2所得低分辨率人脸样本块空间上的个最近的投影点分别对应的个样本点；

步骤5，将步骤2所得低分辨率人脸样本块空间上的个最近的投影点，替换为步骤4所得高分辨率人脸样本块空间上的个样本点，使用步骤3所得权重系数，加权重构出高分辨率的图像块；

步骤6，将所有加权重构出的高分辨率的图像块按照位置叠加，然后除以每个像素位置交叠的次数，重构出高分辨率人脸图像。

2. 根据权利要求1所述基于最近特征线流形学习的人脸图像超分辨率方法，其特征在于： 

设输入的低分辨率人脸图像、高分辨率训练集和低分辨率训练集分别划分相互重叠的图像块后，所构成的图像块集分别为、和，其中，标识表示高分辨率训练集中高分辨率人脸样本图像的序号和低分辨率训练集中低分辨率人脸样本图像的序号，标识表示每张图像上的块位置序号，N为低辨率训练集中低分辨率人脸样本图像的个数和高辨率训练集中高分辨率人脸样本图像的个数，M为每幅图像划分图像块的块数；

步骤2中，对低分辨率人脸图像中第个图像块，计算在低分辨率人脸样本块空间上的K个最近的投影点包括以下步骤，

步骤2.1，分别提取高分辨率训练集中高分辨率人脸样本图像和低分辨率训练集中低分辨率人脸样本图像的第个图像块，形成高分辨率训练图像块集合和低分辨率训练图像块集合；

步骤2.2，从低分辨率训练图像块集合中选出与图像块欧氏距离最近的个图像块，形成筛选后的低分辨率训练图像块集合，表示图像块的邻域集合，表示邻域集合中图像块的个数；

步骤2.3，将筛选后的低分辨率训练图像块集合中所有图像块作为样本点两两相连，形成条特征线，构成的特征线集合表示成，其中和为低分辨率训练图像块集合中的两个样本点， 为连接样本点和生成的特征线；

步骤2.4，计算图像块在特征线集合中所有特征线上的投影点，构成投影集合，  ，其中，表示图像块在特征线上的投影点，为位置参数，；

步骤2.5，计算图像块到特征线集合中所有特征线的距离，通过求取图像块与投影点的距离实现，距离，其中，表示图像块到投影点的欧氏距离；

步骤2.6，根据步骤2.5所得图像块到特征线集合中所有特征线的距离，查找个距离最小的投影点，构成集合 ，其中，为个距离最小的投影点的下标号所构成的集合，集合为图像块在低分辨率人脸样本块空间上的个最近的投影点；

步骤4中，对低分辨率人脸图像中第个图像块，计算在高分辨率人脸样本块空间上与步骤2所得低分辨率人脸样本块空间上的个最近的投影点分别对应的个样本点时采用的公式如下，

，

其中，为高分辨率人脸样本块空间中与低分辨率图像块相同序号的图像块，为高分辨率人脸样本块空间中与低分辨率图像块相同序号的图像块，为步骤2.4所得在,时的取值，，为步骤2.6所得低分辨率人脸样本块空间中与图像块个最近的投影点的下标号所构成的集合，其中和为低分辨率训练图像块集合中的两个样本点；

计算所得个样本点构成集合，集合 为高分辨率人脸样本块空间上与步骤2所得低分辨率人脸样本块空间上的个最近的投影点分别对应的个样本点。

3. 根据权利要求2所述基于最近特征线流形学习的人脸图像超分辨率方法，其特征在于：步骤3中，通过求解线性方程得到权重系数，

其中，，为图像块的局部格拉姆矩阵，是维的全1向量，为的矩阵，为图像块中像素的个数，的每一列元素由图像块在低分辨率人脸样本块空间上的个最近的投影点构成。