The utility model relates to a compression low resolution face image restoration method based on human face structure, belonging to the technical field of image information processing. The present invention uses the method of face structure correlation adaptive filtering and local sparse dictionary learning to reconstruct a low resolution compressed face image into a high resolution human face image. According to the structure of face features, the filtering method and local adaptive sparse dictionary representation method based on the introduction to compression of face image super resolution reconstruction, respectively to solve the image deblocking and super resolution reconstruction. In the geometric structure of face similarity under the guidance, according to position information of the face image classification, using different filtering parameters for smoothing filter, and set up different positions of the dictionary, to achieve high quality image restoration.
【技术实现步骤摘要】
一种基于人脸结构相关的压缩低分辨率人脸图像复原方法
本专利技术属于图像信息处理
,涉及图像超分辨率复原领域,特别涉及一种基于人脸结构相关的压缩低分辨率人脸图像复原方法。
技术介绍
高质量的图像/视频能够提供更丰富的信息和更真实的视觉感受,是很多实际应用的基础,其中,高质量的人脸图像更是大部分人脸识别算法取得高性能的前提条件。然而,在图像获取过程中,受到图像采集设备、采集环境、噪声等因素的影响,在接收终端呈现的图像在分辨率上通常难以令人满意。低分辨率是低质量人脸图像的主要降质因素之一。因此,如何通过低质量图像重建高质量的图像,一直以来都是人脸图像领域中所致力解决的关键问题之一。图像超分辨率复原的目的是采用低分辨率的输入图像,通过结合图像先验知识的超分辨率重构算法产生高分辨率的图像,使图像具有更丰富的细节特征。针对监控视频中获取的低质量低分辨率人脸图像问题,研究者开展了人脸图像超分辨率重建技术研究。超分辨率算法按照技术手段可以分为三类:基于重建的超分辨率算法、基于插值的超分辨率算法、基于学习的超分辨率算法。以基于学习的图像超分辨率重建技术为代表的一系列方法可有效提高低分辨率人脸图像的质量,能够取得较好的主客观质量。这类方法通过样本库中的先验知识来约束重建过程,将机器学习借鉴到超分辨率算法中,样本的先验给重建提供了更多的信息来源,从而提升了超分辨率重建的主客观质量。基于稀疏表示的图像超分辨率重建方法是一种基于学习的超分辨率算法。这种方法对输入的低分辨率图像没有太高的要求,增加了超分辨率重建算法的适用性。本专利技术提出了一种基于人脸结构相关的压缩低分辨率人脸 ...
【技术保护点】
一种基于人脸结构相关的压缩低分辨率人脸图像复原方法,其特征在于,分为基于人脸结构自适应的滤波和局部稀疏字典超分辨率重建两部分;第一部分为基于人脸结构自适应的滤波预处理;具体步骤如下:定义一个T型区域,左、右眼中心P
【技术特征摘要】
1.一种基于人脸结构相关的压缩低分辨率人脸图像复原方法,其特征在于,分为基于人脸结构自适应的滤波和局部稀疏字典超分辨率重建两部分;第一部分为基于人脸结构自适应的滤波预处理;具体步骤如下:定义一个T型区域,左、右眼中心P1、P2的坐标分别为(x1,y1)、(x2,y2),P1和P2处于同一水平线上;两眼间的像素距离为d;该T型区域;左右眼中心到左右边界距离均为0.25d,组成了一个长为1.5d宽为0.5d的矩形,是T型区域的水平部分;T型区域的垂直部分是一个长为0.75d宽为d的矩形;这个区域包含了正面人脸的所有重要器官;基于这个人脸模型,将相似块的搜索区域扩展;垂直的搜索距离保持不变,而水平方向的搜索范围扩展到T型区域的边界处;同时,将人脸图像依据T型区域分为两个部分,也就是背景区域Rb和重要器官区域Ro;背景区域Rb表示平坦区域,即T型区域的外部;Ro表示眼睛、鼻子和嘴巴的区域,即T型区域的内部,在压缩比为Q的情况下,Rb区域中sigma参数sigmab及Ro区域中的sigma参数sigmao,将采用不同的参数;依据人脸的结构信息分别获取最优的自适应参数后,对图像依次进行基础估计、最终估计两个阶段的操作;在每个阶段都分有三个步骤:分组、联合滤波、聚集;最终输出平滑滤波后的人脸图像;第二部分为局部稀疏字典超分辨率重建;局部稀疏字典超分辨率重建部分分为离线阶段和在线阶段;所述离线阶段包括,建立训练样本库、稀疏字典训练;所述在线阶段包括分块稀疏表示、稀疏重建;具体包括以下步骤:(1)离线阶段:具体步骤如下:第一步,建立训练样本库;对于N幅高分辨率人脸图像库IHi表示第i幅高分辨率人脸图像,进行人脸五官归一化,分别对齐眼睛,鼻子和嘴巴;然后,通过K倍下采样获取...
【专利技术属性】
技术研发人员:李晓光,刘莉,卓力,孙旭,刘晨,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。