[發(fā)明專利]一種基于雙核范數(shù)正則的多姿態(tài)人臉圖像質(zhì)量增強(qiáng)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710223815.X
• 申請(qǐng)日: 2017-04-07
• 公開（公告）號(hào): CN107103592B
• 公開（公告）日: 2020-04-28
• 發(fā)明（設(shè)計(jì)）人: 龐會(huì)娟;高廣謂;荊曉遠(yuǎn);吳松松;岳東;胡藏藝
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06T5/50;G06T3/40
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 劉莎

1.一種基于雙核范數(shù)正則的多姿態(tài)人臉圖像質(zhì)量增強(qiáng)方法，其特征在于，包括以下具體步驟：

步驟1，以圖像中每個(gè)像素位置為中心，獲取低質(zhì)量測(cè)試圖像和低質(zhì)量訓(xùn)練樣本圖像各個(gè)像素位置的圖像塊；

步驟2，對(duì)低質(zhì)量測(cè)試圖像中的每個(gè)圖像塊，運(yùn)用局部約束雙核范數(shù)正則回歸方法獲得其在低質(zhì)量訓(xùn)練樣本圖像中對(duì)應(yīng)位置上的圖像塊集合的線性表示，具體為：

y＝x₁A₁+x₂A₂+…+x_NA_N+E

其中，y是低質(zhì)量測(cè)試圖像塊；A_i是第i個(gè)低質(zhì)量像素訓(xùn)練樣本圖像中對(duì)應(yīng)位置的圖像塊，i＝{1,2,…,N}，N是訓(xùn)練樣本圖像個(gè)數(shù)；x_i是表示系數(shù)向量x中的第i個(gè)元素值；E是表示殘差項(xiàng)；

表示系數(shù)向量x的求解方法有以下三種：

1)根據(jù)模型求解表示系數(shù)向量x的方法，其中，||·||_*表示矩陣的核范數(shù)，即矩陣的所有奇異值的和；M表示行矯正矩陣；y表示低質(zhì)量測(cè)試圖像塊矩陣；A(x)＝x₁A₁+x₂A₂+…+x_NA_N表示從空間到的一個(gè)線性映射；α表示第一正則化參數(shù)；H＝[Vec(A₁),...,Vec(A_N)]，Vec(·)表示矩陣的向量化操作；β表示第二正則化參數(shù)，D＝(D₁,D₂,...,D_N)表示低質(zhì)量測(cè)試圖像塊與低質(zhì)量訓(xùn)練樣本圖像塊之間的歐幾里德距離矩陣；具體的方法如下：

1.1)更新模型具體為：

其拉格朗日函數(shù)表示為：

其中，Y₁、Y₂均為拉格朗日乘子，μ為第三正則化參數(shù)；

1.2)采用交替方向乘子法ADMM對(duì)步驟1.1)中的模型進(jìn)行求解，得到表示系數(shù)向量x，具體為：

a固定x、E、S，更新M，具體為：

其中，M^k+1為第k+1步更新后M的值，E^k、x^k、Y₁^k別為第k步更新后E、x、Y₁的值；

使UΣV^T為的奇異值分解，其中，U和V為標(biāo)準(zhǔn)正交基，Σ為奇異值組成的對(duì)角矩陣，則M^k+1的最優(yōu)解為：

M^k+1＝VU^T；

b固定M、E、S，更新x，具體為：

其中，x^k+1為第k+1步更新后x的值，S^k、Y₂^k分別為第k步更新后S、Y₂的值；

x^k+1的最優(yōu)解為：

x^k+1＝(g+diag(g₁))\g₂

其中，

c固定x、M、E，更新S，具體為：

通過奇異值閾值化求解最優(yōu)的S^k+1：

其中，S^k+1為第k+1步更新后S的值；

d固定x、M、S，更新E，具體為：

通過奇異值閾值化求解最優(yōu)的E^k+1，：

其中，E^k+1為第k+1步更新后E的值；

e更新拉格朗日乘子：

Y₁^k+1＝Y(jié)₁^k+μ(M^k+1y-A(x^k+1)-E^k+1)

其中，Y₁^k+1、Y₂^k+1分別為第k+1步更新后的Y₁、Y₂的值；

f若達(dá)到最大迭代次數(shù)或以下終止條件，則輸出x^k+1作為x；否則，返回到步驟a：

||Hdiag(x)-S||_∞≤εand||My-A(x)-E||_∞≤ε

其中，||·||_∞為矩陣的∞范數(shù)，ε為預(yù)設(shè)的容錯(cuò)值；

2)根據(jù)模型求解表示系數(shù)向量x，其中，R表示列旋轉(zhuǎn)矩陣；具體的方法如下：

2.1)更新模型具體為：

其拉格朗日函數(shù)：

其中，Y₁、Y₂均為拉格朗日乘子，μ為第三正則化參數(shù)；

2.2)采用交替方向乘子法ADMM對(duì)步驟2.1)中的模型進(jìn)行求解，得到表示系數(shù)向量x，具體為：

a固定x、E、S，更新R，具體為：

其中，R^k+1為第k+1步更新后R的值，E^k、x^k、Y₁^k分別為第k步更新后E、x、Y₁的值；

使UΣV^T為的奇異值分解，其中，U和V為標(biāo)準(zhǔn)正交基，Σ為奇異值組成的對(duì)角矩陣，則R^k+1的最優(yōu)解為：

R^k+1＝VU^T

b固定R、E、S，更新x，具體為：

其中，x^k+1為第k+1步更新后x的值，S^k、Y₂^k分別為第k步更新后S、Y₂的值；

x^k+1的最優(yōu)解為：

x^k+1＝(g+diag(g₁))\g₂

其中，

c固定x、M、E，更新S，具體為：

通過奇異值閾值化求解最優(yōu)的S^k+1：

其中，S^k+1為第k+1步更新后S的值；

d固定x、R、S，更新E，具體為：

通過奇異值閾值化求解最優(yōu)E^k+1的：

其中，E^k+1為第k+1步更新后E的值；

e更新拉格朗日乘子，具體為：

Y₁^k+1＝Y(jié)₁^k+μ(yR^k+1-A(x^k+1)-E^k+1)

其中，Y₁^k+1、Y₂^k+1分別為第k+1步更新后的Y₁、Y₂的值；

f若達(dá)到最大迭代次數(shù)或以下終止條件，則輸出x^k+1作為x；否則，返回到步驟a：

||Hdiag(x)-S||_∞≤εand||yR-A(x)-E||_∞≤ε

其中，||·||_∞為矩陣的∞范數(shù)，ε為預(yù)設(shè)的容錯(cuò)值；

3)根據(jù)模型求解表示系數(shù)向量x；具體的方法如下：

3.1)更新模型具體為：

s.t.E＝MyR-A(x),S＝Hdiag(x),M^TM＝I,R^TR＝I

其拉格朗日函數(shù)表示為：

其中，Y₁、Y₂均為拉格朗日乘子，μ為第三正則化參數(shù)；

3.2)采用交替方向乘子法ADMM對(duì)3.1)中的模型進(jìn)行求解，得到表示系數(shù)向量x，具體為：

a固定x、E、S、R，更新M，具體為：

其中，M^k+1為第k+1步更新后M的值，R^k、E^k、x^k、Y₁^k分別為第k步更新后R、E、x、Y₁的值；

使U₁Σ₁V₁^T為的奇異值分解，其中，U₁和V₁為標(biāo)準(zhǔn)正交基，Σ₁為奇異值組成的對(duì)角矩陣，則M^k+1的最優(yōu)解為：

M^k+1＝V₁U₁^T；

b固定x、E、S、M，更新R，具體為：

其中，R^k+1為R第k+1步更新后的值；

使U₂Σ₂V₂^T為的奇異值分解，其中，U₂和V₂為標(biāo)準(zhǔn)正交基，Σ₂為奇異值組成的對(duì)角矩陣，則R^k+1的最優(yōu)解為：

R^k+1＝V₂U₂^T；

c固定M、R、E、S，更新x，具體為：

其中，x^k+1為第k+1步更新后x的值，Y₂^k為第k步更新后Y₂的值；

x^k+1的最優(yōu)解為：

x^k+1＝(g+diag(g₁))\g₂

其中，

d固定x、M、R、E，更新S，具體為：

通過奇異值閾值化求解最優(yōu)的S^k+1：

其中，S^k+1為第k+1步更新后S的值；

e固定x、M、R、S，更新E，具體為：

通過奇異值閾值化求解最優(yōu)解E^k+1：

其中，E^k+1為第k+1步更新后E的值；

f更新拉格朗日乘子，具體為：

Y^k+1＝Y(jié)^k+μ(M^k+1yR^k+1-A(x^k+1)-E^k+1)

其中，Y₁^k+1、Y₂^k+1分別為第k+1步更新后的Y₁、Y₂的值；

g若達(dá)到最大迭代次數(shù)或以下終止條件，輸出x^k+1作為x；否則，返回到步驟a：

||Hdiag(x)-S||_∞≤εand||MyR-A(x)-E||_∞≤ε

其中，||·||_∞為矩陣的∞范數(shù)，ε為預(yù)設(shè)的容錯(cuò)值；

步驟3，在保持表示系數(shù)不變的情況下，用高質(zhì)量訓(xùn)練樣本圖像塊替換低質(zhì)量訓(xùn)練樣本圖像塊，從而獲得低質(zhì)量測(cè)試圖像塊對(duì)應(yīng)的高質(zhì)量測(cè)試圖像塊；

步驟4，對(duì)步驟3中高質(zhì)量測(cè)試圖像塊進(jìn)行串聯(lián)和整合，從而獲得高質(zhì)量的測(cè)試圖像。