[发明专利]基于耦合字典学习的低秩核范数正则人脸图像超分辨方法

权利要求书

1.基于耦合字典学习的低秩核范数正则人脸图像超分辨方法，其特征在于，包括以下具体步骤：

步骤1，以图像中每个像素位置为中心，获取低质量测试图像和低质量训练样本图像各个像素位置的图像块；

步骤2，通过基于耦合字典学习的低秩核范数正则编码算法，获得低质量测试图像块对应的高质量测试图像块，对高质量测试图像块进行整合得到高质量测试图像；具体为：

2.1，设置最大迭代次数，并置初始迭代次数r＝1；

2.2，利用低质量训练样本矩阵和高质量训练样本矩阵，根据以下模型进行耦合字典学习，得到第r次迭代时的低质量字典D_L^r和第r次迭代时的高质量字典D_H^r；

min||X_L-D_LA||_*+||Y_H-D_HA||_*+η||A||₁

其中，||·||_*表示矩阵的核范数，即矩阵的所有奇异值的和；X_L为低质量训练样本矩阵，Y_H为高质量训练样本矩阵，D_L为低质量字典，D_H为高质量字典，A为系数矩阵，η为第一正则化参数；

2.3，对低质量测试图像中的每个图像块，运用低秩核范数正则编码算法获得其在低质量字典中对应位置上的图像块集合的表示系数向量；

其中，表示系数向量x根据以下模型求解得到：

min||y_L-D_L(x)||_*+α||Hdiag(x)||_*+β||x||₁

其中，y_L表示低质量测试图像块；D_L(x)＝x₁D_L1^r+x₂D_L2^r+…+x_ND_LN^r，x_i为表示系数向量x中的第i个元素值，D_Li^r为低质量字典D_L^r中的第i个原子，N为低质量字典D_L^r中的原子个数；H＝[Vec(D_L1^r),...,Vec(D_LN^r)]，Vec(·)表示矩阵的向量化操作；α、β分别为第四、五正则化参数；

2.4，利用2.3中求得的表示系数向量x和2.2中求得的高质量字典D_H^r，合成低质量测试图像块y_L对应的高质量测试图像块y_H，y_H＝x₁D_H1^r+x₂D_H2^r+…+x_ND_HN^r，其中，D_Hi^r为高质量字典D_H^r中的第i个原子；

2.5，对2.4中的高质量测试图像块进行整合，得到第r次迭代时的高质量测试图像y^r；

2.6，若达到最大迭代次数，则输出y^r、D_L^r和D_H^r；否则，将本次迭代时的低质量训练样本矩阵在耦合字典对(D_L^r,D_H^r)上进行合成得到第r次迭代更新的低质量训练样本矩阵X_L^r，令X_L＝X_L^r，返回2.2，并令r＝r+1；

步骤3，将步骤2中获得的高质量测试图像在步骤2中学习到的耦合字典对上进行合成，输出最终的高质量测试图像。