[发明专利]一种基于DCT域本征变换的人脸图像超分辨率重建方法

说明书

一种基于DCT域本征变换的人脸图像超分辨率重建方法涉及图像处理领域。利用了DCT变换的能量集中特性，低频部分采用DCT域插值放大方法，高频部分利用基于PCA的方法，预测高频信息。针对输入的LR图像在DCT域操作，处理结束后采用DCT域基于双边滤波的方法，自适应去除块效应。我们对压缩图像部分解压就可得到图像的分块DCT系数，将DCT系数直接应用到提出的算法中，减少了图像处理算法的运行时间。对于压缩图像，DCT系数的粗糙量化导致图像压缩失真，在DCT域进行超分辨率复原，是从失真产生的根源出发进行算法处理，有助于更好地解决压缩失真问题。与传统的算法相比，本发明将来能够直接应用到压缩图像中，所重建的图像具有更高的主客观质量。

技术领域

本发明涉及图像处理方法，特别涉及一种基于DCT域本征变换的人脸图像超分辨率重建方法。

背景技术

高质量的图像和视频因其具有更丰富的信息和更真实的视觉感受，越来越成为一种主流的需求。受到成像环境和成像系统性能的限制，成像系统获得的图像通常是清晰度较低的低质量图像。例如，很多安全部门、敏感公共场所、交通要道、居民小区等都配备了全天候实时视频监控系统。然而，由于受到监控摄像头分辨率性能、监控环境光照条件、监控距离以及噪声等因素的影响，监控系统所获取的视频图像可能是模糊不清的低质量图像，人脸图像的分辨率通常较低，人脸面部细节丢失严重，难以达到进一步自动分析和识别的要求。因此，针对低质人脸图像，研究超分辨率复原技术，提高图像的质量，具有重要的理论意义和实际应用价值。

传统的简单的信号处理技术，直接采用最近邻、双向线性内插方法，虽然提高了图像的分辨率，但是并没有添加图像的高频信息，图像质量难以提高。随后，研究者提出了基于重建的方法和基于学习的方法预测高分辨率图像的高频信息。

从早期的频域混迭开始，到各种基于正则化重建的空域方法。基于重建的技术得到了广泛的研究，期间涌现了一批有效的算法。但是，当放大因子增大时，重建约束所能提供的有效信息越来越少，因此这种方法的超分辨率复原能力受到了很大的限制。

基于学习或基于示例的超分辨率复原则利用了不同图像在高频细节上的相似性，通过学习低分辨率图像和对应高分辨率图像之间的关系来指导图像的超分辨率复原过程。基于学习的方法对于人脸图像，在低分辨率图像质量较差、放大倍数较高时能取得很好的效果。

DCT(Discrete Cosine Transform)具有很好的能量集中性能，经过变换大部分能量集中在低频区域，能够很好的将图像块的中高频信息和低频信息进行分离。基于分块的DCT变换，广泛应用于JPEG等压缩处理中。DC(Direct Current)系数表示子块图像的平均亮度，AC(Alternating Current)系数代表子块图像的边缘、纹理信息。眼睛、鼻子、嘴唇等高频信息丰富的区域，往往需要通过学习补偿得到。

主成分分析算法(PCA，Principal Component Analysis)在人脸超分辨率复原算法中得到了广泛应用。PCA是一种多元统计数据分析方法，它是采用很少的线性无关的变量来表征多维空间的大部分时刻变化的信息，因此，它是目标统计特性的最佳正交变换。

利用PCA算法和DCT变换的优势，我们提出了基于DCT域本征变换的人脸图像超分辨率重建方法。

发明内容

本发明的目的在于，面向低分辨率人脸图像，采用一种基于DCT域本征变换的人脸图像超分辨率重建方法，提高人脸图像的质量。

本发明是通过以下技术手段来实现的：