CN109934190B - 基于变形高斯核函数的自适应强光人脸图像纹理恢复方法 - Google Patents

Abstract

本发明公开了一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，概括为：1、首先提取图像中的人脸区域；2、利用自适应二值化技术将人脸图像分割为强光区与次强光区；3、针对图像中的强光区、次强光区、图像边界、强光区与次强光区的边缘，在高斯模板尺寸范围内，分析各部分纹理分布情况，并以此对高斯核函数进行变形；4、将变形后的高斯核函数与原始图像各部分进行卷积运算，求得光照分量，随后将之与原始图像通过对数变换，相减，逆对数变换操作得到初始的纹理恢复图像；5、如果原始图像是灰度图像，则进行增益/补偿操作，得到最终结果，如果是彩色图像，则进行颜色恢复和增益/补偿操作，得到最终结果。

Description

基于变形高斯核函数的自适应强光人脸图像纹理恢复方法

技术领域

本发明涉及一种强光人脸图像纹理恢复方法，尤其是基于变形高斯核函数的自适应光照校正方法，属于机器视觉与图像处理领域。

背景技术

在人脸身份或情感识别过程中，许多客观存在的因素严重制约着该研究的发展，这些因素主要包括姿态变化，光照不均等。一些研究成果指出由于光照不均而导致图像纹理的变化比不同个体之间的差异更加明显，还有一些专家认为相比于姿态变化等干扰，光照变化更能左右人脸身份识别的结果。消除光照不均已经成为机器视觉与图像处理领域的热门研究课题，其研究方法大致可以归纳为三个方向：人脸建模、光照不变特征提取、光照均衡。人脸建模法假设具有同一姿态，不同光照方向的人脸图像构成一个低维的光照子空间，该方法旨在寻找光照分量在低维空间中的映射分量，从而确定光照分量，实现光照消除。不变特征提取法主要提取图像中对光照变化不敏感的特征，从而减弱或者消除光照不均对后期研究的消极影响。光照均衡法通过对图像进行光照处理，得到具有均匀光照的新图像。该方法不需要任何训练数据、三维人脸模型的先验知识及反射参数，其计算过程相对简单。所有这些优势使得光照均衡法成为当今光照处理研究的主流。

然而，现有光照均衡方法大都只考虑正常光照情况，对于强光条件下的人脸图像，所做研究并不深入，主要表现在以下三个方面：

(一)现有光照均衡方法均以图像“补光”为出发点，力求恢复图像中阴暗区域的纹理信息，探索“补光”算法与恢复强光条件下图像纹理的初衷背道而驰。

(二)在求取图像光照分量过程中，现有方法均无考虑图像的光照分布情况，简单地假设在模板匹配范围内光照分布是均匀的，这显然不符合实际情况。

(三)在强光条件下，人脸图像可划分为强光区与次强光区，现今主流方法并没有针对两区域分别进行“去光”处理。

由此看来，探索一种强光条件下人脸图像纹理恢复方法已显得尤为重要。本发明所提方法能够提取图像中不均匀的光照成分，还原图像的真实纹理信息，对后续人脸身份或情感识别的成败具有决定性作用。因此，提出基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，具有实际应用价值和广阔市场前景。

发明内容

为了克服现有技术中对于强光条件下的人脸图像处理效果不佳的技术问题，本发明提出一种利用变形高斯核函数拟合图像光照成分，实现自适应的强光条件下人脸图像纹理恢复方法。

为了实现上述技术目的，本发明的技术方案是：

一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，包括以下步骤：

步骤1：提取强光图像中的人脸区域；

步骤2：记提取出的人脸区域图像为F_i，利用自适应二值化技术将人脸区域图像分割为强光区与次强光区，则图像F_i(x,y)中的强光区为F_i ^强光，次强光区为F_i ^次强光，边界区域为F_i ^边界，其中F_i ^边界包括两部分，即图像边缘F_i ^图像边缘、F_i ^强光与F_i ^次强光的边界E_i，其中i为1，表示提取出的人脸区域图像为灰度图像，(x,y)为像素的坐标；

步骤3：定义具有高、中、低三个尺度参数的高斯核函数为G^k，变形高斯核函数为

高斯模板尺寸为7×7，则有

其中高、中、低尺度参数{c_k}取值为{15，80，250}，k取1、2、3，K为归一化因子，e为指数函数的底，使得在高斯模板尺寸范围内∫∫G^k(x,y)dxdy＝1，α(G)代表对函数G旋转α角度；

步骤4：以待处理像素为中心，记尺寸大小为7×7的高斯模板范围内的各像素为P_l(l＝1,2,…,49)，则待处理的中心像素为P₂₅，分情况求取旋转角度α：

对于位于强光区F_i ^强光且不在边界区域F_i ^边界内的像素P₂₅，分别计算其周边八个3×3邻域的平均值，记录八个平均值中的最大值，如果最大值只存在一个，则高斯核函数旋转的角度α即为像素P₂₅与该邻域中心像素点所构成矢量的方向，如果最大值存在多个，则高斯核函数旋转的角度α即为像素P₂₅与最大值所处邻域中心像素点所构成的各矢量和的方向；

对于位于次强光区F_i ^次强光且不在边界区域F_i ^边界内的像素P₂₅，分别计算其周边八个3×3邻域的平均值，记录八个平均值中的最小值，如果最小值只存在一个，则高斯核函数旋转的角度α即为像素P₂₅与该邻域中心像素点所构成矢量的方向，如果最小值存在多个，则高斯核函数旋转的角度α即为像素P₂₅与最小值所处邻域中心像素点所构成的各矢量和的方向；

对于位于强光区F_i ^强光且在边界区域F_i ^边界内的像素P₂₅，仅记录强光区及高斯模板范围内像素值最大的像素为P_j，如果j等于25，则高斯核函数无需变形，如果j不等于25且P_j只存在一个，则高斯核函数旋转的角度α即为矢量

的方向，如果如果j不等于25且P_j存在多个，则高斯核函数旋转的角度α即为各矢量和的方向；

对于位于次强光区F_i ^次强光且在边界区域F_i ^边界内的像素P₂₅，仅记录次强光区及高斯模板范围内像素值最小的像素为P_j，如果j等于25，则高斯核函数无需变形，如果j不等于25且P_j只存在一个，则高斯核函数旋转的角度α即为矢量

的方向，如果如果j不等于25且P_j存在多个，则高斯核函数旋转的角度α即为各矢量和的方向；

步骤5：根据上步骤中分情况对高斯核函数进行旋转变形后，对于F_i ^强光、F_i ^次强光、F_i ^强光与F_i ^次强光的边界E_i，将变形后的高斯核函数与之进行卷积运算，

其中“*”代表卷积运算，对于边界区域中的图像边缘部分F_i ^图像边缘，先计算以边缘部分上像素点为中心的高斯模板范围内且处于图像内像素的均值，以此均值作为位于高斯模板范围内且处于图像外像素点的值以扩充图像边缘，再将变形后的高斯核函数与扩充后的F_i ^图像边缘进行卷积运算

步骤6：将分区域计算得到的

与

拼合为整幅图像，则整幅图像的光照分量为L_i,k，再通过下式求得最终拟合的光照分量L_i

步骤7：记待恢复的人脸纹理图像为T_i，根据朗伯光照定理，则有

F_i＝T_i×L_i

其中F_i为原始强光人脸图像，转换为对数表示，则有

log(F_i)＝log(T_i×L_i)＝log(T_i)+log(L_i)

log(T_i)＝log(F_i)-log(L_i)

再经过反对数变换得到T_i；

步骤8：对T_i进行增益/补偿操作，即线性灰度拉伸，得到最终的纹理恢复图像。

所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，所述的步骤1中，提取人脸区域是首先基于类Haar小波和权值修剪AdaBoost算法进行人脸检测，然后基于矩形特征、肤色检测和Camshift跟踪的方法，实现鲁棒的人脸跟踪。

所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，所述的步骤3中，在进行图像分割时，对于尺寸等于或小于高斯模板尺寸的零散区域即图像噪点，将其标定为与周边相同的区域。

所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，所述的步骤3中，图像边缘F_i ^图像边缘为环绕图像最外侧的、跨度为三个像素的区域，F_i ^强光与F_i ^次强光的边界E_i为强光区域与次强光区域相邻的、跨度为两个像素的区域。

所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，当人脸图像为彩色图像时，则i属于集合{1,2,3}，分别表示图像R，G，B三个颜色分量，在利用自适应二值化技术将人脸区域图像分割为强光区与次强光区前，先将彩色图像转换为灰度图像以进行区域分割。

所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，所述的步骤4中，当i属于集合{1,2,3}即人脸图像为彩色图像时，以待处理像素为中心，分别针对三个颜色分量，处理每个像素。

所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，针对彩色人脸图像即i属于集合{1,2,3}时，通过下式对各颜色分量T_i进行颜色恢复

其中C为常数，取值为125，随后对T_i ^final进行增益/补偿操作，即线性灰度拉伸，并将操作后的各颜色分量重新组合，得到最终的纹理恢复图像。

本发明提供的自适应强光人脸图像纹理恢复方法，其优点和积极效果在于：

1、该方法认为图像光照处理应考虑光照在图像各区域的具体分布情况，对现今图像光照处理方法具有借鉴意义；

2、该方法只需单幅人脸图像，无需任何训练图像和光照先验知识，计算简单；

3、该方法利用图像处理技术，实现了强光条件下自动化的人脸图像纹理恢复，对其它种类图像在强光条件下重现纹理也具有借鉴意义。

附图说明

图1为自适应强光人脸图像纹理恢复系统框图；

图2为强光人脸图像及处理结果；

图3为零散区域划分示意图；其中(a)为尺寸大于高斯模板的待划分区域，(b)与(c)为尺寸小于高斯模板的零散区域；

图4为邻域选取示意图；

图5为边界像素选取示意图；

图6为矢量和的计算方法示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，具体阐述本发明的实施方式。应当理解，此处所描述的具体实例仅用以解释本发明，并不用于限定本发明。

本发明的基本思想是利用自适应二值化技术将强光人脸图像分割为强光部分与次强光部分；根据各部分(具体包括强光区，次强光区，强光区与次强光区的边缘，图像边界)光照分布情况，利用变形的高斯核函数对其分别进行光照分量拟合；随后组合拟合后的光照分量，并与原始图像进行对数变换，相减，逆对数变换等操作，最后利用颜色恢复与增益/补偿等操作，实现自动化的人脸图像纹理恢复。

本发明包括以下步骤：

步骤1：基于类Haar小波和权值修剪AdaBoost算法进行人脸检测，然后基于矩形特征、肤色检测和Camshift跟踪的方法，实现鲁棒的人脸跟踪，提取图像中的人脸区域。

步骤2：记强光人脸图像为F_i，当人脸图像为灰度图像时，i等于1，当人脸图像为彩色图像时，i属于集合{1,2,3}，分别表示图像R，G，B三个颜色分量。为了进行强光与次强光的区域分割，如果需要进行处理的图像是彩色图像，则将其转换为灰度图像以用于下一步的区域分割，如果是灰度图像，则无需转换。由彩色图像转换成的灰度图像只用于步骤3。

步骤3：利用自适应二值化技术将灰度人脸图像或经彩色人脸图像转换后的灰度人脸图像分割为强光区与次强光区，对于尺寸大小等于或小于高斯模板尺寸的区域，将其标定为与周边相同的区域，这种尺寸大小等于或小于高斯模板尺寸的区域即照片中因各种原因出现的图像噪点，因为图像噪点不会出现边界上，环绕图像噪点的只会是强光区域或次强光区域，故将其标定成与周边区域相同的区域。至此，记图像F_i(x,y)中的强光区为F_i ^强光，次强光区为F_i ^次强光，边界区域为F_i ^边界，其中F_i ^边界包括两部分，即图像边缘F_i ^图像边缘、F_i ^强光与F_i ^次强光的边界E_i。图像边缘F_i ^图像边缘为环绕图像最外侧的、跨度为三个像素的区域，F_i ^强光与F_i ^次强光的边界E_i为强光区域与次强光区域相邻的、跨度为两个像素的区域。

步骤4：定义具有三个尺度参数的高斯核函数为G^k，变形高斯核函数为

高斯模板尺寸为7×7，则有

其中高、中、低尺度参数{c_k}(k＝1,2,3)取值为{15，80，250}，(x,y)为像素的坐标，K为归一化因子，使得在高斯模板尺寸范围内∫∫G^k(x,y)dxdy＝1，α(G)代表对函数G旋转α角度。

步骤5：以待处理像素为中心，记尺寸大小为7×7的高斯模板范围内的各像素为P_l(l＝1,2,…,49)，显然，待处理的中心像素为P₂₅，分情况求取旋转角度α：

对于位于强光区F_i ^强光且不在边界区域F_i ^边界内的像素P₂₅，分别计算其周边八个3×3邻域的平均值，记录八个平均值中的最大值，如果最大值只存在一个，则高斯核函数旋转的角度α即为像素P₂₅与该邻域中心像素点所构成矢量的方向，如果最大值存在多个，则高斯核函数旋转的角度α即为像素P₂₅与最大值所处邻域中心像素点所构成的各矢量和的方向；

对于位于次强光区F_i ^次强光且不在边界区域F_i ^边界内的像素P₂₅，分别计算其周边八个3×3邻域的平均值，记录八个平均值中的最小值，如果最小值只存在一个，则高斯核函数旋转的角度α即为像素P₂₅与该邻域中心像素点所构成矢量的方向，如果最小值存在多个，则高斯核函数旋转的角度α即为像素P₂₅与最小值所处邻域中心像素点所构成的各矢量和的方向；

对于位于强光区F_i ^强光且在边界区域F_i ^边界内的像素P₂₅，仅记录强光区及高斯模板范围内像素值最大的像素为P_j，如果j等于25，则高斯核函数无需变形，如果j不等于25且P_j只存在一个，则高斯核函数旋转的角度α即为矢量

的方向，如果如果j不等于25且P_j存在多个，则高斯核函数旋转的角度α即为各矢量和的方向；

对于位于次强光区F_i ^次强光且在边界区域F_i ^边界内的像素P₂₅，仅记录次强光区及高斯模板范围内像素值最小的像素为P_j，如果j等于25，则高斯核函数无需变形，如果j不等于25且P_j只存在一个，则高斯核函数旋转的角度α即为矢量

的方向，如果如果j不等于25且P_j存在多个，则高斯核函数旋转的角度α即为各矢量和的方向。

步骤6：根据上步骤中分情况对高斯核函数进行旋转变形后，对于F_i ^强光、F_i ^次强光、F_i ^强光与F_i ^次强光的边界E_i，将变形后的高斯核函数与之进行卷积运算，

其中“*”代表卷积运算，对于边界区域中的图像边缘部分F_i ^图像边缘，先计算模板范围内像素的均值，以此均值扩充图像边缘。这里提到的扩充图像边缘，以边缘上点A为例，以该点A为高斯中心点，则在高斯模板内，会有一部分点不在图像上，属于图像外的区域，则这些像素点的值等于位于图像上且在高斯模板范围内的那些点的平均值。再将变形后的高斯核函数与扩充后的F_i ^图像边缘进行卷积运算

步骤7：将计算得到

与

合并组成整幅图像的光照分量L_i,k，这里的合并就是执行图像拼凑，即把原先分别处理的四种区域重新组合成一幅整的图像。然后通过下式求得最终拟合的光照分量L_i：

步骤8：记待恢复的人脸纹理为T_i，根据朗伯光照定理，则有

F_i＝T_i×L_i

转换为对数表示，则有

log(F_i)＝log(T_i×L_i)＝log(T_i)+log(L_i)

log(T_i)＝log(F_i)-log(L_i)

再经过反对数变换得到T_i。

步骤9：针对灰度人脸图像(i等于1)，直接对T_i进行增益/补偿操作，即线性灰度拉伸，得到最终的纹理恢复图像，针对彩色人脸图像(i属于集合{1,2,3})，通过下式对各颜色分量T_i进行颜色恢复

其中C为常数，取值为125，随后同样对T_i ^final进行增益/补偿操作即线性灰度拉伸，并将操作后的各颜色分量重新组合，得到本发明需要的纹理恢复图像。

本发明的系统结构框如图1所示。

为描述强光人脸图像在成像方面的特点，本发明结合示例人脸图像进行说明，如图2所示。可以看出，强光条件下，强光区域的真实纹理信息已经被光照分量掩盖，呈现高光状态；另外，次强光区往往位于图像中远离光源的部分，其亮度相对较弱。图2也给出了灰度及彩色人脸图像在不同光照方向下的处理结果，从视觉效果上观察，人脸图像强光区域的纹理细节得以恢复，光照分布趋于均匀。

由于本发明设置高斯模板的尺寸大小为7×7，故要求图像尺寸不能过小，本发明认为图像尺寸应高于70×70为宜。

本发明针对彩色图像的颜色空间模型，规定其并不局限于RGB颜色空间模型，可将其它颜色空间转换到RGB颜色空间。

步骤3中提到对于尺寸大小等于或小于高斯模板尺寸的零散区域，将其标定为与周边相同的区域。此处的尺寸大小并不单指图像区域所包含的像素个数，更表明该区域至少存在一部分能够完全包裹高斯模板。如图3所示，情况(a)符合条件，情况(b)与(c)则不符合条件，图中红色方框表示高斯模板大小，蓝色表示待划分的区域，黑色表示背景。

对于位于强光区或次强光区的像素，在高斯模板范围内，以该像素为中心点，计算周边八个3×3邻域的平均值。此处的邻域选取如图4中(a)所示，图4中(b)表示八个邻域分别为：

邻域1：P₁，P₂，P₃，P₈，P₉，P₁₀，P₁₅，P₁₆，P₁₇；

邻域2：P₃，P₄，P₅，P₁₀，P₁₁，P₁₂，P₁₇，P₁₈，P₁₉；

邻域3：P₅，P₆，P₇，P₁₂，P₁₃，P₁₄，P₁₉，P₂₀，P₂₁；

邻域4：P₁₅，P₁₆，P₁₇，P₂₂，P₂₃，P₂₄，P₂₉，P₃₀，P₃₁；

邻域5：P₁₉，P₂₀，P₂₁，P₂₆，P₂₇，P₂₈，P₃₃，P₃₄，P₃₅；

邻域6：P₂₉，P₃₀，P₃₁，P₃₆，P₃₇，P₃₈，P₄₃，P₄₄，P₄₅；

邻域7：P₃₁，P₃₂，P₃₃，P₃₈，P₃₉，P₄₀，P₄₅，P₄₆，P₄₇；

邻域8：P₃₃，P₃₄，P₃₅，P₄₀，P₄₁，P₄₂，P₄₇，P₄₈，P₄₉。

计算各邻域的平均值，分别表示为V1、V2、V3、V4、V5、V6、V7、V8，如图4中(c)所示。

当像素点位于边界区域内时，如图5所示(图中红色区域表示当前像素P₂₅所在区域，灰色部分表示其它区域，黄色虚线表示边界线)，所提方法并不以该像素为中心点，计算周边八个3×3邻域的平均值，而是在高斯模板范围内，直接统计该像素所在区域内各点的最大值或最小值，然后根据最值出现的次数，求取各最值与中心像素点所组成的矢量和。

矢量和的计算方法如图6所示，图中白点表示中心像素，黑点表示极值所在像素。图中(a)、(b)、(c)给出了三种情况作为示例说明，当然还存在极值为三个以上的情况。变形高斯函数最终旋转角度为各矢量和的方向，即由中心点向外。在计算过程中，中心点与各极值形成矢量的大小等于图中白色虚线圆圈的半径。

Claims (7)

1.一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，其特征在于，包括以下步骤：

步骤1：提取强光图像中的人脸区域；

步骤2：记提取出的人脸区域图像为F_i，利用自适应二值化技术将人脸区域图像分割为强光区与次强光区，则图像F_i(x,y)中的强光区为F_i ^强光，次强光区为F_i ^次强光，边界区域为F_i ^边界，其中F_i ^边界包括两部分，即图像边缘F_i ^图像边缘、F_i ^强光与F_i ^次强光的边界E_i，其中i为1，表示提取出的人脸区域图像为灰度图像，(x,y)为像素的坐标；

步骤3：定义具有高、中、低三个尺度参数的高斯核函数为G^k，变形高斯核函数为

高斯模板尺寸为7×7，则有

其中高、中、低尺度参数{c_k}取值为{15，80，250}，k取1、2、3，K为归一化因子，e为指数函数的底，使得在高斯模板尺寸范围内∫∫G^k(x,y)dxdy＝1，α(G)代表对函数G旋转α角度；

步骤4：以待处理像素为中心，记尺寸大小为7×7的高斯模板范围内的各像素为P_l，其中l＝1,2,…,49，则待处理的中心像素为P₂₅，分情况求取旋转角度α：

对于位于强光区F_i ^强光且不在边界区域F_i ^边界内的像素P₂₅，分别计算其周边八个3×3邻域的平均值，记录八个平均值中的最大值，如果最大值只存在一个，则高斯核函数旋转的角度α即为像素P₂₅与该邻域中心像素点所构成矢量的方向，如果最大值存在多个，则高斯核函数旋转的角度α即为像素P₂₅与最大值所处邻域中心像素点所构成的各矢量和的方向；

对于位于次强光区F_i ^次强光且不在边界区域F_i ^边界内的像素P₂₅，分别计算其周边八个3×3邻域的平均值，记录八个平均值中的最小值，如果最小值只存在一个，则高斯核函数旋转的角度α即为像素P₂₅与该邻域中心像素点所构成矢量的方向，如果最小值存在多个，则高斯核函数旋转的角度α即为像素P₂₅与最小值所处邻域中心像素点所构成的各矢量和的方向；

对于位于强光区F_i ^强光且在边界区域F_i ^边界内的像素P₂₅，仅记录强光区及高斯模板范围内像素值最大的像素为P_j，如果j等于25，则高斯核函数无需变形，如果j不等于25且P_j只存在一个，则高斯核函数旋转的角度α即为矢量

的方向，如果j不等于25且P_j存在多个，则高斯核函数旋转的角度α即为各矢量和的方向；

对于位于次强光区F_i ^次强光且在边界区域F_i ^边界内的像素P₂₅，仅记录次强光区及高斯模板范围内像素值最小的像素为P_j，如果j等于25，则高斯核函数无需变形，如果j不等于25且P_j只存在一个，则高斯核函数旋转的角度α即为矢量

的方向，如果j不等于25且P_j存在多个，则高斯核函数旋转的角度α即为各矢量和的方向；

步骤5：根据上步骤中分情况对高斯核函数进行旋转变形后，对于F_i ^强光、F_i ^次强光、F_i ^强光与F_i ^次强光的边界E_i，将变形后的高斯核函数与之进行卷积运算，

其中“*”代表卷积运算，对于边界区域中的图像边缘部分F_i ^图像边缘，先计算以边缘部分上像素点为中心的高斯模板范围内且处于图像内像素的均值，以此均值作为位于高斯模板范围内且处于图像外像素点的值以扩充图像边缘，再将变形后的高斯核函数与扩充后的F_i ^图像边缘进行卷积运算

步骤6：将分区域计算得到的

与

拼合为整幅图像，则整幅图像的光照分量为L_i,k，再通过下式求得最终拟合的光照分量L_i

步骤7：记待恢复的人脸纹理图像为T_i，则有

F_i＝T_i×L_i

其中F_i为原始强光人脸图像，转换为对数表示，则有

log(F_i)＝log(T_i×L_i)＝log(T_i)+log(L_i)

log(T_i)＝log(F_i)-log(L_i)

再经过反对数变换得到T_i；

步骤8：对T_i进行增益/补偿操作，即线性灰度拉伸，得到最终的纹理恢复图像。

2.根据权利要求1所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，其特征在于，所述的步骤1中，提取人脸区域是首先基于类Haar小波和权值修剪AdaBoost算法进行人脸检测，然后基于矩形特征、肤色检测和Camshift跟踪的方法，实现鲁棒的人脸跟踪。

3.根据权利要求1所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，其特征在于，所述的步骤3中，在进行图像分割时，对于尺寸等于或小于高斯模板尺寸的零散区域即图像噪点，将其标定为与周边相同的区域。

4.根据权利要求1所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，其特征在于，所述的步骤3中，图像边缘F_i ^图像边缘为环绕图像最外侧的、跨度为三个像素的区域，F_i ^强光与F_i ^次强光的边界E_i为强光区域与次强光区域相邻的、跨度为两个像素的区域。

5.根据权利要求1所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，其特征在于，当人脸图像为彩色图像时，则i属于集合{1,2,3}，分别表示图像R，G，B三个颜色分量，在利用自适应二值化技术将人脸区域图像分割为强光区与次强光区前，先将彩色图像转换为灰度图像以进行区域分割。

6.根据权利要求5所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，其特征在于，所述的步骤4中，当i属于集合{1,2,3}即人脸图像为彩色图像时，以待处理像素为中心，分别针对三个颜色分量，处理每个像素。

7.根据权利要求5所述的一种基于变形高斯核函数的自适应强光人脸图像纹理恢复方法，其特征在于，针对彩色人脸图像即i属于集合{1,2,3}时，通过下式对各颜色分量T_i进行颜色恢复

其中C为常数，取值为125，随后对T_i ^final进行增益/补偿操作，即线性灰度拉伸，并将操作后的各颜色分量重新组合，得到最终的纹理恢复图像。

Images