1.基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,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,通过基于耦合字典学习的低秩核范数正则编码算法,获得低质量测试图像块对应的高质量测试图像块,对高质量测试图像块进行整合得到高质量测试图像;具体为:
2.1,设置最大迭代次数,并置初始迭代次数r=1;
2.2,利用低质量训练样本矩阵和高质量训练样本矩阵,根据以下模型进行耦合字典学习,得到第r次迭代时的低质量字典DLr和第r次迭代时的高质量字典DHr;
min||XL-DLA||*+||YH-DHA||*+η||A||1其中,||·||*表示矩阵的核范数,即矩阵的所有奇异值的和;XL为低质量训练样本矩阵,YH为高质量训练样本矩阵,DL为低质量字典,DH为高质量字典,A为系数矩阵,η为第一正则化参数;
2.3,对低质量测试图像中的每个图像块,运用低秩核范数正则编码算法获得其在低质量字典中对应位置上的图像块集合的表示系数向量;
其中,表示系数向量x根据以下模型求解得到:min||yL-DL(x)||*+α||Hdiag(x)||*+β||x||1其中,yL表示低质量测试图像块;DL(x)=x1DL1r+x2DL2r+…+xNDLNr,xi为表示系数向量x中的第i个元素值,DLir为低质量字典DLr中的第i个原子,N为低质量字典DLr中的原子个数;H=[Vec(DL1r),...,Vec(DLNr)],Vec(·)表示矩阵的向量化操作;α、β分别为第四、五正则化参数;
2.4,利用2.3中求得的表示系数向量x和2.2中求得的高质量字典DHr,合成低质量测试图像块yL对应的高质量测试图像块yH,yH=x1DH1r+x2DH2r+…+xNDHNr,其中,DHir为高质量字典DHr中的第i个原子;
2.5,对2.4中的高质量测试图像块进行整合,得到第r次迭代时的高质量测试图像yr;
2.6,若达到最大迭代次数,则输出yr、DLr和DHr;否则,将本次迭代时的低质量训练样本矩阵在耦合字典对(DLr,DHr)上进行合成得到第r次迭代更新的低质量训练样本矩阵XLr,令XL=XLr,返回2.2,并令r=r+1;
步骤3,将步骤2中获得的高质量测试图像在步骤2中学习到的耦合字典对上进行合成,输出最终的高质量测试图像。
2.根据权利要求1所述的基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,其特征在于,步骤2.2中根据模型min||XL-DLA||*+||YH-DHA||*+η||A||1进行耦合字典学习的方法如下:⑴更新模型min||XL-DLA||*+||YH-DHA||*+η||A||1,具体为:min||E1||*+||E2||*+η||A||1s.t.E1=XL-DLA,E2=YH-DHA其拉格朗日函数表示为:
其中,Y1、Y2均为拉格朗日乘子,μ为第二正则化参数, 表示矩阵的F范数的平方;
⑵采用交替方向乘子法ADMM对⑴中的模型进行求解,得到低质量字典和高质量字典。
3.根据权利要求2所述的基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,其特征在于,采用交替方向乘子法ADMM对⑴中的模型进行求解,具体为:固定E2、DL、DH、A,更新E1,具体为:通过奇异值阈值化求解最优的E1k+1:
其中,E1k+1为第k+1步更新后E1的值,DLk为第k步更新后DL的值,Ak为第k步更新后A的值,Y1k为第k步更新后Y1的值;
固定E1、DL、DH、A,更新E2,具体为:通过奇异值阈值化求解最优的
其中, 为第k+1步更新后E2的值,DHk为第k步更新后DH的值,Y2k为第k步更新后Y2的值;
通过对 关于DL求导并令导函数为零,求解
最优的DLk+1:
通过对 关于DH求导并令导函数为零,求解
最优的DHk+1:
其中,Y1k+1、Y2k+1分别为第k+1步更新后的Y1、Y2的值;
k+1 k+1 r r
4.根据权利要求1所述的基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,其特征在于,步骤2.3中根据模型min||yL-DL(x)||*+α||Hdiag(x)||*+β||x||1求解表示系数向量x的方法如下:①更新模型min||yL-DL(x)||*+α||Hdiag(x)||*+β||x||1,具体为:min||E||*+α||S||*+β||u||1 s.t.E=yL-DL(x),S=Hdiag(x),x=u其拉格朗日函数:
其中,Y3、Y4、Y5均为拉格朗日乘子,μ为第二正则化参数;
②采用交替方向乘子法ADMM对①中的模型进行求解,得到表示系数向量x。
5.根据权利要求4所述的基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,其特征在于,采用交替方向乘子法ADMM对①中的模型进行求解,具体为:固定x、S、u,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,xk为第k步更新后x的值,Y3k为第k步更新后Y3的值;
固定x、E、u,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,Y4k为第k步更新后Y4的值;
对
关于x求导并令导数为零求得最优解的xk+1:xk+1=(diag(diag(HTH)-HTH-I))-1[HA+diag(BTH)+C]其中,
通过软阈值函数求解最优的uk+1的:
其中,uk+1为第k+1步更新后u的值,Y5k为第k步更新后Y5的值;
Y3k+1=Y3k+(yL-DL(xk+1)-Ek+1)其中,Y3k+1、 分别为第k+1步更新后的Y3、Y4、Y5的值;
6.根据权利要求1所述的基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,其特征在于,步骤2.5中对2.4中的高质量测试图像块进行整合,具体为:按位置集中所有高质量测试图像块,对于重合部分取平均值,得到高质量测试图像。
7.根据权利要求1所述的基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,其特征在于,步骤2.1中最大迭代次数为2或3。
8.根据权利要求1所述的基于耦合字典学习的低秩核范数正则人脸图像超分辨方法,其特征在于,步骤3中所述将步骤2中获得的高质量测试图像在步骤2中学习到的耦合字典对上进行合成,输出最终的高质量测试图像,具体为:将yr在耦合字典对(DLr,DHr)上进行合成,即得到最终的高质量测试图像。