[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

说明书

本发明公开了一种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，属于图像处理领域。本方法首先以图像中每个像素位置为中心，获取低质量测试样本和低质量训练样本图像各个像素位置的图像块；其次，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，并整合高质量测试图像块，获得高质量测试图像；最后，对上述步骤迭代多次，输出最终的高质量的测试图像。

技术领域

本发明涉及一种人脸超分辨率方法，特别涉及一种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，属于图像处理技术领域。

背景技术

在视频监控中，当目标人物距离摄像机较远时，往往会导致感兴趣的人脸区域较小。低分辨率的人脸图像丢失了许多重要的面部特征，为了更好的识别人物身份，需要从低分辨率图像中复原出高分辨率图像，这项技术被称为图像超分辨率。

目前的人脸图像重构算法主要分为两种类型：基于重建的人脸图像超分辨率算法和基于学习的人脸图像超分辨率算法。基于重建的人脸超分辨率算法存在两方面的不足：一方面由于多幅图像的相对运动估计不够精确、输入的图像相对较少以及噪声的影响，这将导致合成的超分辨率人脸图像的能力受到限制；另一方面由于该方法自身具有一定的局限性，当图像放大倍数达到一定值时，无论输入再多的人脸图像都不可能获得更多的高频人脸特征细节。相对于该方法，基于学习的人脸图像超分辨率算法更受研究者的青睐。此方法又可分为基于全局的人脸图像超分率算法和基于局部的人脸图像超分辨率算法。

基于全局的人脸图像超分辨率算法利用整体人脸图像结构相似性获得人脸的细节特征，但忽略了局部人脸图像块的结构信息。而基于局部的人脸图像超分辨率算法是将人脸按照一定的位置进行分块然后按块进行合成，这样有利于合成更多的高频特征信息，从而提高人脸的分辨率。

目前基于局部人脸图像的超分辨率算法大致可分为：最小平方差重构模型，稀疏编码重构模型，核范数重构模型。

最小平方差重构模型，就是所有的训练样本都参与人脸图像的合成，并进行误差分布的描述。最初大部分局部图像超分辨率方法都是基于此函数模型，但此方法对噪声的鲁棒性很弱，导致合成的图像往往受噪声干扰而出现些许模糊。

稀疏编码重构模型，就是部分训练样本参与人脸图像的合成，即稀疏译码。这种局部图像合成方法能相对更精确合成人脸图像，对噪声具有较强的鲁棒性。

核范数重构模型，它是对合成图像的误差矩阵的奇异值求和，与其矢量无关。因此这个核范数模型相对去前两个能够更完整的描述误差分布，且对于光照具有更强的鲁棒性。

之前的一些方法是直接利用低分辨训练样本进行学习重构权重系数，并把权重系数保持到相应的高分辨率训练样本进行合成，但低分辨率图像与高分辨率图像往往是“多对一”的关系，这将导致图像合成过程中某些高频细节丢失。且即使之前有些方法中采用了字典学习的方法，但在学习过程中采用的学习模型并不能得到最佳的字典对

发明内容

本发明所要解决的技术问题是提供一种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，针对现有人脸图像超分辨率算法存在的缺陷，通过基于核范数的耦合字典学习能够增加高低分辨率系数表示的一致性，从而合成实际应用中所要求的人脸图像。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种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，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；