1.一种基于局部和稀疏非局部正则的人脸图像超分辨率方法,其特征在于:包括以下步骤:步骤一:以图像中每个像素位置为中心,获取测试图像和训练样本图像各个像素位置的图像块;
步骤二:使用局部PCA字典学习方法,对于训练样本图像块,使用K均值聚类算法将图像块划分聚类,每个聚类学习一个局部PCA字典,同时计算每个聚类的中心位置;对于每个待合成图像块,用与其最相关的聚类的字典编码;
步骤三:对输入的低质量图像块,运用基于局部约束和稀疏非局部双核范数正则算法求解最佳表示系数向量;
其中,最佳表示系数向量s的求解方法如下:基于局部约束和稀疏非局部双核范数正则的人脸图像超分辨率算法,对低分辨率和高分辨率图像块进行耦合编码的双核范数正则函数:其中,||·||*表示矩阵的核范数,即矩阵所有奇异值的和, 表示内积符号,即对应元素相乘;yL和yH分别表示输入的低分辨率图像块和高分辨率图像块;DL,DH分别是低分辨率和高分辨率字典,其中,D(s)=s1D1+s2D2+…+sNDN是从空间 到 的一个线性映射,N是字典的层数;λ是第一正则化参数,α是第二正则化参数,u是非局部编码系数向量;β是第三正则化参数,c是输入的低分辨率图像块和每个字典原子之间的欧几里得距离向量;
以上模型可以表示为:
s.t.EL=yL‑DL(s),EH=yH‑DH(s)其拉格朗日函数表示为:
其中Z1,Z2是拉格朗日乘子,μ是第四正则化参数;
采用交替方向乘子法ADMM对模型进行求解,具体过程为:步骤(a):固定EL,EH,更新s:
则:
引入以下辅助变量:
AL=vec(DL),AH=vec(DH)则:
为了简化表示,再次引入辅助变量:
则:
T T
其中,C是一个K×K的对角矩阵,且Cmm=cm;F=UU,且U=B‑G1;
步骤(b):固定s,EH,更新EL:
采用奇异值阈值化算法求解最优的
其中, 是第K+1次迭代后EL的值;
对 进行奇异值分解,求得:
其中, r是对角阵Σ的秩;
步骤(c):固定s,EL,更新EH:
采用奇异值阈值化算法求解最优的
其中, 是第K+1次迭代后EH的值;
步骤(d):更新拉格朗日乘子:
其中, 分别是K+1次迭代后Z1,Z2的值;
步骤四:使用最佳表示系数向量在高分辨率字典上合成高分辨率图像块,保持低质量信号不变,更新非局部编码系数,将更新后的系数和高分辨率图像块放入步骤三中进行下一次迭代;经过多次迭代更新最佳表示系数向量,得到该位置的高分辨率图像块;
步骤五:每个高分辨率图像块按位置合成图像,对于重叠部分取平均,获得最终输出的高分辨率图像。
2.根据权利要求1所述的一种基于局部和稀疏非局部正则的人脸图像超分辨率方法,其特征在于:在步骤四中,使用最佳表示系数向量在高分辨率字典上合成的高分辨率图像块具体表示为: 其中, 表示更新的高分辨率图像块,AH表示向量化的高分辨率字典,表示更新的表示系数。
3.根据权利要求1所述的一种基于局部和稀疏非局部正则的人脸图像超分辨率方法,其特征在于:在步骤四中,非局部编码系数具体表示如下: 其中,表示更新的非局部编码系数,AH表示向量化的高分辨率字典, 表示更新的高分辨率图像块。