[發(fā)明專利]基于耦合字典學習的低秩核范數正則人臉圖像超分辨方法

有效

• 申請?zhí)枺?/td>: 201710328907.4
• 申請日: 2017-05-11
• 公開（公告）號: CN107194873B
• 公開（公告）日: 2020-12-08
• 發(fā)明（設計）人: 高廣謂;龐會娟;荊曉遠;岳東;胡藏藝
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T3/40
• 分類號: G06T3/40
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 劉莎

1.基于耦合字典學習的低秩核范數正則人臉圖像超分辨方法，其特征在于，包括以下具體步驟：

步驟1，以圖像中每個像素位置為中心，獲取低質量測試圖像和低質量訓練樣本圖像各個像素位置的圖像塊；

步驟2，通過基于耦合字典學習的低秩核范數正則編碼算法，獲得低質量測試圖像塊對應的高質量測試圖像塊，對高質量測試圖像塊進行整合得到高質量測試圖像；具體為：

2.1，設置最大迭代次數，并置初始迭代次數r＝1；

2.2，利用低質量訓練樣本矩陣和高質量訓練樣本矩陣，根據以下模型進行耦合字典學習，得到第r次迭代時的低質量字典D_L^r和第r次迭代時的高質量字典D_H^r；

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

其中，||·||_*表示矩陣的核范數，即矩陣的所有奇異值的和；X_L為低質量訓練樣本矩陣，Y_H為高質量訓練樣本矩陣，D_L為低質量字典，D_H為高質量字典，A為系數矩陣，η為第一正則化參數；

2.3，對低質量測試圖像中的每個圖像塊，運用低秩核范數正則編碼算法獲得其在低質量字典中對應位置上的圖像塊集合的表示系數向量；

其中，表示系數向量x根據以下模型求解得到：

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

其中，y_L表示低質量測試圖像塊；D_L(x)＝x₁D_L1^r+x₂D_L2^r+…+x_ND_LN^r，x_i為表示系數向量x中的第i個元素值，D_Li^r為低質量字典D_L^r中的第i個原子，N為低質量字典D_L^r中的原子個數；H＝[Vec(D_L1^r),...,Vec(D_LN^r)]，Vec(·)表示矩陣的向量化操作；α、β分別為第四、五正則化參數；

2.4，利用2.3中求得的表示系數向量x和2.2中求得的高質量字典D_H^r，合成低質量測試圖像塊y_L對應的高質量測試圖像塊y_H，y_H＝x₁D_H1^r+x₂D_H2^r+…+x_ND_HN^r，其中，D_Hi^r為高質量字典D_H^r中的第i個原子；

2.5，對2.4中的高質量測試圖像塊進行整合，得到第r次迭代時的高質量測試圖像y^r；

2.6，若達到最大迭代次數，則輸出y^r、D_L^r和D_H^r；否則，將本次迭代時的低質量訓練樣本矩陣在耦合字典對(D_L^r,D_H^r)上進行合成得到第r次迭代更新的低質量訓練樣本矩陣X_L^r，令X_L＝X_L^r，返回2.2，并令r＝r+1；

步驟3，將步驟2中獲得的高質量測試圖像在步驟2中學習到的耦合字典對上進行合成，輸出最終的高質量測試圖像。