一种基于双核范数正则的多姿态人脸图像质量增强方法技术

本发明专利技术公开了一种基于双核范数正则的多姿态人脸图像质量增强方法，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高低分辨率训练样本图像各个像素位置的图像块；其次，对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示；再次，在保持表示系数不变的情况下，用高质量训练样本图像块替换低质量训练样本图像块，从而获得低质量测试图像块对应的高质量测试图像块；最后，对步骤3中的高质量测试图像块进行串联和整合，从而获得高质量的测试图像。

【技术实现步骤摘要】
一种基于双核范数正则的多姿态人脸图像质量增强方法
本专利技术涉及一种人脸图像质量增强方法，特别涉及一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，属于图像处理

技术介绍
随着信息技术的进步与发展，人们对视觉信息的处理要求越来越高，尤其人脸图像。它广泛应用于各个领域，如：人脸识别、人脸视频图像传输、遥感图像、放大数码相机的人脸照片、军事等。但在其应用过程中，大部分人脸图像质量较差，因此相关学者提出人脸图像超质量增强方法。人脸图像质量增强主要是对那些模糊、有噪、频谱混叠的低分辨率人脸图像进行信号处理，进而得到清晰的高分辨率人脸图像。其中图像的质量主要取决于在单位面积像素的数目，即图像的分辨率，因此通过这个方法，我们可以合成在图像退化过程中丢失的高频人脸特征细节，从而提高图像的质量。基于样本学习的人脸图像质量增强算法是利用训练样本学习重构权重系数，从而得到图像的先验信息，进一步合成超分辨图像。目前基于样本学习的人脸图像质量增强方法可以分为两类：基于全局的方法和基于局部的方法。基于全局的方法可以保留整个人脸图像的结构，但是忽视了除主成份以外的人脸特征细节。因此，研究者提出了基于局部的方法。基于局部图像块的人脸图像质量增强算法是将整个人脸进行分块，以人脸的局部特征为输入进行合成，这样有利于合成更多的高频特征细节信息，从而提高整个人脸图像分辨率。依据重构误差分布描述的模型的不同，基于局部的图像超分辨率方法可分为：l2范数、l1或l0范数、核范数。之前的这些误差模型是在理想的假设环境下进行的，因此取得了比较满意的实验结果。但在实际应用中，我们可能得到的低分辨率图像是多姿态的。这时在合成高分辨率人脸图像的过程中，输入人脸图像矩阵与利用训练样本合成的人脸图像矩阵并不对应，从而导致重构误差增大。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，针对现有的人脸图像合成算法的不足，解决了之前方法所忽视的多姿态问题，满足实际应用对人脸图像合成的要求。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，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，对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示；步骤3，在保持表示系数不变的情况下，用高质量训练样本图像块替换低质量训练样本图像块，从而获得低质量测试图像块对应的高质量测试图像块；步骤4，对步骤3中高质量测试图像块进行串联和整合，从而获得高质量的测试图像。作为本专利技术的进一步优化方案，步骤2中对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示，具体为：y＝x1A1+x2A2+…+xNAN+E其中，y是低质量测试图像块；Ai是第i个低质量像素训练样本图像中对应位置的图像块，i＝{1,2,…,N}，N是训练样本图像个数；xi是表示系数向量x中的第i个元素值；E是表示残差项；表示系数向量x根据以下模型求解得到：其中，||·||*表示矩阵的核范数，即矩阵的所有奇异值的和；M表示行矫正矩阵；y表示低质量测试图像块矩阵；A(x)＝x1A1+x2A2+…+xNAN表示从空间到的一个线性映射；α表示第一正则化参数；H＝[Vec(A1),...,Vec(AN)]，Vec(·)表示矩阵的向量化操作；β表示第二正则化参数，D＝(D1,D2,…,DN)表示低质量测试图像块与低质量训练样本图像块之间的欧几里德距离矩阵。作为本专利技术的进一步优化方案，根据模型求解表示系数向量x的方法如下：2.1)更新模型具体为：其拉格朗日函数表示为：其中，Y1、Y2均为拉格朗日乘子，μ为第三正则化参数；2.2)采用交替方向乘子法ADMM对步骤2.1)中的模型进行求解，得到表示系数向量x。作为本专利技术的进一步优化方案，采用交替方向乘子法ADMM对上述步骤2.1)中的模型进行求解，具体为：<a>固定x、E、S，更新M，具体为：其中，Mk+1为第k+1步更新后M的值，Ek、xk、Y1k别为第k步更新后E、x、Y1的值；使UΣVT为的奇异值分解，其中，U和V为标准正交基，Σ为奇异值组成的对角矩阵，则Mk+1的最优解为：Mk+1＝VUT；<b>固定M、E、S，更新x，具体为：其中，xk+1为第k+1步更新后x的值，Sk、Y2k分别为第k步更新后S、Y2的值；xk+1的最优解为：xk+1＝(g+diag(g1))\g2其中，<c>固定x、M、E，更新S，具体为：通过奇异值阈值化求解最优的Sk+1：其中，Sk+1为第k+1步更新后S的值；<d>固定x、M、S，更新E，具体为：通过奇异值阈值化求解最优的Ek+1，：其中，Ek+1为第k+1步更新后E的值；<e>更新拉格朗日乘子：Y1k+1＝Y1k+μ(Mk+1y-A(xk+1)-Ek+1)其中，Y1k+1、Y2k+1分别为第k+1步更新后的Y1、Y2的值；<f>若达到最大迭代次数或以下终止条件，则输出xk+1作为x；否则，返回到步骤<a>：||Hdiag(x)-S||∞≤εand||My-A(x)-E||∞≤ε。其中，||·||∞为矩阵的∞范数，ε为预设的容错值。作为本专利技术的进一步优化方案，步骤2中对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示，具体为：y＝x1A1+x2A2+…+xNAN+E其中，y是低质量测试图像块；Ai是第i个低质量像素训练样本图像中对应位置的图像块，i＝{1,2,…,N}，N是训练样本图像个数；xi是表示系数向量x中的第i个元素值；E是表示残差项；表示系数向量x根据以下模型求解得到：其中，||·||*表示矩阵的核范数，即矩阵的所有奇异值的和；R表示列旋转矩阵；y表示低质量测试图像块矩阵；A(x)＝x1A1+x2A2+…+xNAN表示从空间到的一个线性映射；α表示第一正则化参数；H＝[Vec(A1),…,Vec(AN)]，Vec(·)表示矩阵的向量化操作；β表示第二正则化参数，D＝(D1,D2,...,DN)表示低质量测试图像块与低质量训练样本图像块之间的欧几里德距离矩阵。作为本专利技术的进一步优化方案，根据模型求解表示系数向量x的方法如下：2.1)更新模型具体为：其拉格朗日函数：其中，Y1、Y2均为拉格朗日乘子，μ为第三正则化参数；2.2)采用交替方向乘子法ADMM对步骤2.1)中的模型进行求解，得到表示系数向量x。作为本专利技术的进一步优化方案，采用交替方向乘子法ADMM对上述步骤2.1)中的模型进行求解，具体为：<a>固定x、E、S，更新R，具体为：其中，Rk+1为第k+1步更新后R的值，Ek、xk、Y1k分别为第k步更新后E、x、Y1的值；使UΣVT为的奇异值分解，其中，U和V为标准正交基，Σ为奇异值组成的对角矩阵，则Rk+1的最优解为：Rk+1＝VU本文档来自技高网...

【技术保护点】
一种基于双核范数正则的多姿态人脸图像质量增强方法，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，对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示；步骤3，在保持表示系数不变的情况下，用高质量训练样本图像块替换低质量训练样本图像块，从而获得低质量测试图像块对应的高质量测试图像块；步骤4，对步骤3中高质量测试图像块进行串联和整合，从而获得高质量的测试图像。

【技术特征摘要】
1.一种基于双核范数正则的多姿态人脸图像质量增强方法，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，对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示；步骤3，在保持表示系数不变的情况下，用高质量训练样本图像块替换低质量训练样本图像块，从而获得低质量测试图像块对应的高质量测试图像块；步骤4，对步骤3中高质量测试图像块进行串联和整合，从而获得高质量的测试图像。2.根据权利要求1所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，其特征在于，步骤2中对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示，具体为：y＝x1A1+x2A2+…+xNAN+E其中，y是低质量测试图像块；Ai是第i个低质量像素训练样本图像中对应位置的图像块，i＝{1,2,…,N}，N是训练样本图像个数；xi是表示系数向量x中的第i个元素值；E是表示残差项；表示系数向量x根据以下模型求解得到：其中，||·||*表示矩阵的核范数，即矩阵的所有奇异值的和；M表示行矫正矩阵；y表示低质量测试图像块矩阵；A(x)＝x1A1+x2A2+…+xNAN表示从空间到的一个线性映射；α表示第一正则化参数；H＝[Vec(A1),...,Vec(AN)]，Vec(·)表示矩阵的向量化操作；β表示第二正则化参数，D＝(D1,D2,...,DN)表示低质量测试图像块与低质量训练样本图像块之间的欧几里德距离矩阵。3.根据权利要求2所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，其特征在于，根据模型求解表示系数向量x的方法如下：2.1)更新模型具体为：其拉格朗日函数表示为：其中，Y1、Y2均为拉格朗日乘子，μ为第三正则化参数；2.2)采用交替方向乘子法ADMM对步骤2.1)中的模型进行求解，得到表示系数向量x。4.根据权利要求3所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，其特征在于，采用交替方向乘子法ADMM对2.1)中的模型进行求解，具体为：<a>固定x、E、S，更新M，具体为：其中，Mk+1为第k+1步更新后M的值，Ek、xk、Y1k别为第k步更新后E、x、Y1的值；使UΣVT为的奇异值分解，其中，U和V为标准正交基，Σ为奇异值组成的对角矩阵，则Mk+1的最优解为：Mk+1＝VUT；<b>固定M、E、S，更新x，具体为：其中，xk+1为第k+1步更新后x的值，Sk、Y2k分别为第k步更新后S、Y2的值；xk+1的最优解为：xk+1＝(g+diag(g1))\g2其中，<c>固定x、M、E，更新S，具体为：通过奇异值阈值化求解最优的Sk+1：其中，Sk+1为第k+1步更新后S的值；<d>固定x、M、S，更新E，具体为：通过奇异值阈值化求解最优的Ek+1，：其中，Ek+1为第k+1步更新后E的值；<e>更新拉格朗日乘子：Y1k+1＝Y1k+μ(Mk+1y-A(xk+1)-Ek+1)其中，Y1k+1、Y2k+1分别为第k+1步更新后的Y1、Y2的值；<f>若达到最大迭代次数或以下终止条件，则输出xk+1作为x；否则，返回到步骤<a>：||Hdiag(x)-S||∞≤εand||My-A(x)-E||∞≤ε。其中，||·||∞为矩阵的∞范数，ε为预设的容错值。5.根据权利要求1所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，其特征在于，步骤2中对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示，具体为：y＝x1A1+x2A2+…+xNAN+E其中，y是低质量测试图像块；Ai是第i个低质量像素训练样本图像中对应位置的图像块，i＝{1,2,…,N}，N是训练样本图像个数；xi是表示系数向量x中的第i个元素值；E是表示残差项；表示系数向量x根据以下模型求解得到：其中，||·||*表示矩阵的核范数，即矩阵的所有奇异值的和；R表示列旋转矩阵；y表示低质量测试图像块矩阵；A(x)＝x1A1+x2A2+…+xNAN表示从空间到的一个线性映射；α表示第一正则化参数；H＝[Vec(A1),...,Vec(AN)]，Vec(·)表示矩阵的向量化操作；β表示第二正则化参数，D＝(D1,D2,...,DN)表示低质量测试图像块与低质量训练样本图像块之间的欧几里德距离矩阵。6.根据权利要求5所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，其特征在于，根据模型求解表示系数向量x的方法如下：2.1)更新模型具体为：其拉格朗日函数：其中，Y1、Y2均为拉格朗日乘子，μ为第三正则化参数；2.2)采用交替方向乘子法ADMM对步骤2.1)中的模型进行求解，得到表示系数向量x。7.根据权利要求6所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法，其特征在于，采用交替方向乘子法ADMM对2.1)中的模型进行求解，具体为：<a>固定x、E、S，更新R，具体为：

【专利技术属性】
技术研发人员：庞会娟，高广谓，荆晓远，吴松松，岳东，胡藏艺，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32