基于kpca的人脸超分辨率算法研究

《基于kpca的人脸超分辨率算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第1章绪论使得人脸超分辨率重构从图像的超分辨率技术中分离出来，作为一个独立的研究领域。本文根据所采用方法的不同，将现有的人脸超分辨率算法分成两类：1．基于概率模型的人脸超分辨率算法。2．基于特征子空间的人脸超分辨率算法。下面，我们将按这种分类方法对有代表性的算法进行简要概述。1．3．1基于概率模型的算法概述基于概率模型的人脸超分辨率算法的特点是把人脸图像看成一个随机变量，再结合最大后验概率模型，求出在已知低分辨率图像条件下高分辨率图像的概率(即P(高分辨率图像I低分辨率图像))达到最大值时的高分辨率图像作为重构后的图像

2、。Baker和Kanda的算法[1]也是一种基于概率模型的算法，它通过构造高分辨率金字塔及低分辨率金字塔，计算金字塔每一层中每个像素的一阶梯度、二阶梯度以及拉普拉斯金字塔作为该像素的特征，由这些特征组成金字塔每一层每个像素点的父结构(ParentStructure)。对于输入的低分辨率图像，同样构造低分辨率图像的金字塔，计算每个像素的父结构，再利用这些父结构和训练库进行中同层的父结构进行比对，将最相近的图像所对应金字塔的低层特征作为重构图像的高分辨率特征。最后结合最大后验概率模型重构出高分辨率图像来。在Baker方法的

3、基础上，Su等人[7]使用了一种可操纵金字塔从输入的低分辨率图像及其它高分辨率图像提取多尺度和多方向的特征，再采用金字塔父结构及局部最优匹配来求解贝叶斯最大后验概率问题，重构出最优的高分辨率图像来。Liu等[2]提出了一种两步法人脸超分辨率算法，它通过结合全局参数模型及基于马尔科夫随机场的非参数模型来学习出高分辨率人脸图像。该方法首次提出了两步法的人脸超分辨率框架：第一步获得高分辨率全局图像，第二步对第一步获得的全局图像进行残差补偿，恢复人脸图像的细节信息。这个框架在以后的方法中被大量使用。基于概率模型的算法一般要求知

4、道精确的降采样函数，在实际应用中是比较难得到的。这在一定程度上限制了人脸超分辨率技术的使用范围。4中山火学硕士学位论文：纂于l(PcA的人脸超分辨率算法研究1。3。2基于特征子空间的算法概述基于特征子空阆静入脸超分辨率算法主要是通过现有的特征子空闻算法@CA、LLE、LPP、ICA等)来建立不同分辨率人脸图像之间的关系。利用这种关系来学习斑高分辨率銎像来。这类方法是在最近几年才兴起及发展起来的。它可以不需要很精确的降采样模型，也不需要建立很复杂的概率模型，因此这类算法的推广麓力要强予基予概率模型的超分辨率算法，具有较强

5、的应用价值。w}雏g等[8]提出了一种基于特征变换的人脸超分辨率算法，它把人脸超分辨率问题看成是从低分辨率图像到高分辨率图像之闻的一种交换，该方法利用主成分分析(PCA)进行人脸重建的思想，经过PcA算法，可以将输入的低分辨率图像看成是训练库中低分辨率图像的线性组合。它所对应的高分辨率图像只需要将线性组合中的低分辨率图像改成高分辨率图像，而保持组合系数不变，再对结果作一些约束，使之满足超分辨率的要求。W。Liu等【9】提出了一种基予邻域组合藉变换的入脸超分辨率算法，该方法也采用两步法框架，在第一步中，作者将图像分成若干

6、彼此交叠的图像块，再剃用局部线性嵌入(LLE)的思想，低分辨率测试图像块可以表示成k邻域内低分辨率训练图像块的线性组合，那么对应的高分辨率图像块只需将邻域内的低分辨率图像块换成对应的高分辨率图像块，且保持组合系数的不变。在第二步中，作者用相同方法将残差图像分成若干彼此交叠的图像块，再通．过广义奇异值分解(GSvD)来建立了低分辨率残差块和对应高分辨率残差块之间的关系，利用这种关系来学习出输入图像的商分辨率残差图像，再结合第一步，得到最终的结果。该算法的缺点是由于两步都是采用分块的方式进行，得到的图像不是很平滑。H．Y强

7、等【lO】提出了一种基于ICA的人脸超分辨率算法，该方法利用独立成分分析(IeA)来建立不同分辨率图像之间的关系，再利用这种关系对输入低分辨率图像进行重构。Zhuang等[11]提出了局部保持(LPH)和邻域重建残差补偿的入脸超分辨率算法，该方法用局部保持投影(Lpp)来学习数据的内在特征，再结合径向基函数回归(RBF)来重构出高分辨率图像。为了补偿细节信息，该方法还使用了基于邻域重建的残差补偿方法对全局图像进行残差补偿。5第1章绪论1．4本文的主要工作和内容安排本文的主要工作包括如下几个方面：1)对人脸超分辨率进行了

8、较全面的综述，对现有算法进行了科学的分类，对其中有代表性的算法进行了实验，并分析了这些算法的优缺点。2)本文首次将核主成分分析(KPCA)用于人脸超分辨率全局图像的重构。l@CA是一种非线性方法，能够学习出数据的线性和非线性特征。本文从理论上和实验上分析了为什么KPCA能够用人脸超分辨率以及如何将KPCA用于人脸超分辨率。为了得到