CN111292237A - 基于二维多集偏最小二乘的人脸图像超分辨率重建方法 - Google Patents
基于二维多集偏最小二乘的人脸图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN111292237A CN111292237A CN202010069628.2A CN202010069628A CN111292237A CN 111292237 A CN111292237 A CN 111292237A CN 202010069628 A CN202010069628 A CN 202010069628A CN 111292237 A CN111292237 A CN 111292237A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- dimensional
- low
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于二维多集偏最小二乘的人脸图像超分辨率重建方法,包括以下步骤,1人脸图像首先被分为多个重叠的图像块,再利用二维多集偏最小二乘方法提取二维人脸图像块的潜在特征;2利用邻域重建策略以及图像块合并对输入的低分辨率人脸图像进行高频人脸图像重建;3最终输出的超分辨率重建图像为重建出的高频图像加上输入的低分辨率人脸图像。本发明具有一定的理论基础,创新性地提出了二维多集偏最小二乘方法,在不同数据库下测试结果表明具有较强的鲁棒性,有一定的市场实施的可行性,解决了目前绝大多数现有算法无法处理的多视图超分辨率问题,具有较大的创新性与实用性。
Description
技术领域
本发明涉及超分辨率重建领域,特别涉及基于二维多集偏最小二乘的人脸图像超分辨率重建方法。
背景技术
传统的人脸识别方法是在理想的姿态以及光照条件下工作,但是,大多数实际生活中捕获到的人脸图像是低分辨率的,前面提到的人脸识别算法通常在低分辨率问题下表现较差,为了解决这一问题,近些年来许多有效的人脸超分辨率重建方法被提出,其目标是从输入的低分辨率图像中重建出高分辨率的人脸图像。但传统的人脸超分辨率算法无法保持图像的二维结构,且无法同时处理多种分辨率人脸图像输入的问题。
除了低分辨率问题以外,在现实生活中,人们通常需要面对同一人脸具有多种不同分辨率视图的情况,例如一段视频序列中的同一个人,随着距离、姿态的变化通常有着不同分辨率大小的人脸图像。对于多种不同的低分辨率视图,目前大多数方法一次只能训练一对高低分辨率视图,这种处理方式十分耗时且效率低下,不能有效利用不同分辨率视图之间的相关关系,迄今为止,共同学习多种视图之间关系还没有得到广泛关注。
发明内容
本发明的目的是克服现有技术缺陷,提供基于二维多集偏最小二乘的人脸图像超分辨率重建方法,将人脸图像分为多个重叠的图像块,再利用二维多集偏最小二乘方法提取二维人脸图像块的潜在特征,利用邻域重建策略以及图像块合并对输入的低分辨率人脸图像进行高频人脸图像重建,最终输出的超分辨率重建图像为重建出的高频图像加上输入的低分辨率人脸图像。
本发明的目的是这样实现的:基于二维多集偏最小二乘的人脸图像超分辨率重建方法,其特征在于,包括以下步骤:
步骤1在训练阶段利用训练集学习不同分辨率视图之间的潜在相关关系,将训练集中的不同视图的高频图像和其相对应的低分辨率图像分成重叠的图像块,利用二维多集偏最小二乘法对二维图像块进行特征提取,计算二维多集偏最小二乘投影矩阵,将二维图像块投影到二维多集偏最小二乘子空间;
步骤2在测试阶段,将输入的多种低分辨率图像分成重叠的图像块,利用训练阶段得到的相应低分辨率的二维多集偏最小二乘投影矩阵将输入的二维低分辨率图像块投影到二维多集偏最小二乘法子空间,利用邻域重建策略以及图像块合并对输入的低分辨率人脸图像进行高频人脸图像重建。
步骤3最终输出的超分辨率重建图像为重建出的高频图像加上输入的低分辨率人脸图像。
作为本发明的进一步限定,步骤1中所述计算二维多集偏最小二乘投影矩阵包含以下步骤:
(1)对于m个视图二维中心化随机变量其中pi和qi分别表示xi的两个维度,二维多集偏最小二乘法目的为寻找两组线性变换和其中d1和d2分别为左投影向量和右投影向量的维度。二维多集偏最小二乘的最优化问题表示如下:
s.t.(Li)TLi=(Ri)TRi=I,i=1,…,m,
其中Cov(·)表示矩阵的协方差;
循环迭代计算第k个左、右投影方向直至收敛,其中:
其可以利用拉格朗日乘子法转换成如下多元特征值问题进行求解:
PlSll=Λll,
PrSrr=Λrr,
作为本发明的进一步限定,步骤1中所述训练阶段包括以下步骤:
(1)对于训练集中的原始高低分辨率人脸图像集X0和m个不同低分辨率人脸图像集每幅低分辨率图像均通过插值函数将其放大到高分辨率图像大小,n为每种视图中的人脸图像数量,通过Yi=X0-Xi,i=1,2,…,m提取人脸高频图像,再将所有高频图像以及低分辨率图像分成重叠且边长为s×s的图像块,在第j个位置上的所有高频图像块的集合和所有低分辨率图像块的集合分别为和其中和分别为第i个分辨率视图中第t个高频人脸的位于第j个位置的高频图像块和低分辨率图像块;
作为本发明的进一步限定,步骤2中所述的测试阶段包括以下步骤:
与现有技术相比,本发明的有益效果在于:本发明将人脸图像分为多个重叠的图像块,再利用二维多集偏最小二乘方法提取二维人脸图像块的潜在特征,最后利用邻域重建策略构建超分辨率重建后二维人脸图像块,合并图像块并输出最终人脸图像超分辨率结果,本发明具有一定的理论基础,创新性地提出了二维多集偏最小二乘方法,具有较强的鲁棒性,具有一定的市场实施的可行性,解决了目前绝大多数现有算法无法处理的多视图超分辨率问题,具有较大的创新性与实用性。
附图说明
图1是本发明的实现流程图。
图2是六种方法在CAS-PEAL-R1数据库上超分辨率重建结果对比图。
图3是六种方法在CelebA数据库上超分辨率重建结果对比图。
具体实施方式
如图1所示的基于二维多集偏最小二乘的人脸图像超分辨率重建方法,其特征在于,包括以下步骤:
步骤1在训练阶段利用训练集学习不同分辨率视图之间的潜在相关关系,将训练集中的不同视图的高频图像和其相对应的低分辨率图像分成重叠的图像块,利用二维多集偏最小二乘法对二维图像块进行特征提取,计算二维多集偏最小二乘投影矩阵,将二维图像块投影到二维多集偏最小二乘子空间;
步骤1中计算二维多集偏最小二乘投影矩阵包含以下步骤:
(1)对于m个视图二维中心化随机变量其中pi和qi分别表示xi的两个维度,二维多集偏最小二乘法目的为寻找两组线性变换和其中d1和d2分别为左投影向量和右投影向量的维度。二维多集偏最小二乘的最优化问题表示如下:
s.t.(Li)TLi=(Ri)TRi=I,i=1,…,m,
其中Cov(·)表示矩阵的协方差;
循环迭代计算第k个左、右投影方向直至收敛,其中:
其可以利用拉格朗日乘子法转换成如下多元特征值问题进行求解:
PlSll=Λll,
PrSrr=Λrr,
步骤1中训练阶段包括以下步骤:
(1)对于训练集中的原始高低分辨率人脸图像集X0和m个不同低分辨率人脸图像集每幅低分辨率图像均通过插值函数将其放大到高分辨率图像大小,n为每种视图中的人脸图像数量,通过Yi=X0-Xi,i=1,2,…,m提取人脸高频图像,再将所有高频图像以及低分辨率图像分成重叠且边长为s×s的图像块,在第j个位置上的所有高频图像块的集合和所有低分辨率图像块的集合分别为和其中和分别为第i个分辨率视图中第t个高频人脸的位于第j个位置的高频图像块和低分辨率图像块;
步骤2在测试阶段,将输入的多种低分辨率图像分成重叠的图像块,利用训练阶段得到的相应低分辨率的二维多集偏最小二乘投影矩阵将输入的二维低分辨率图像块投影到二维多集偏最小二乘法子空间,利用邻域重建策略以及图像块合并对输入的低分辨率人脸图像进行高频人脸图像重建。
步骤2中测试阶段包括以下步骤:
本发明可通过以下实验进一步说明:
为了测试本发明的有效性,分别利用CAS-PEAL-R1数据库以及CelebA数据库与其他方法进行对比测试。在CAS-PEAL数据库中选择1040幅人脸图像,每人一张,高分辨率图像为96×96,其中1020张人脸作为训练图像,剩下的作为测试图像。所有的训练图像分别下采样2倍、4倍以及6倍,其分辨率分别为48×48、24×24以及16×16。在CelebA数据库中选取1000张人脸图像作为训练集,20张图像作为测试集,原始高分辨率为80×80。所有训练集和测试集图像分别下采样2倍、4倍、6倍以及8倍,对应低分辨率为40×40、20×20、14×14以及10×10。在实验中,本发明将图像分成边长为12、重叠8像素的方块,保留12维TDMPLS特征,对于2倍、4倍、6倍以及8倍低分辨率图像分别采用350、250、175以及125最近邻数目。
实验1基于CAS-PEAL数据库的超分辨率重建对比实验
在本实验中,如图2所示六种方法在CAS-PEAL-R1数据库上分别以2倍、4倍、6倍缩放倍数的超分辨率重建结果对比,图中从左到右每一列分别为高分辨率原图、低分辨率图像、本发明重建结果、SR2DCCA方法重建结果、VDSR方法重建结果、MSRN方法重建结果、TLcR方法重建结果以及Bicubic方法重建结果,从上到下每一行分别表示2倍、4倍以及6倍缩放;下表为七种方法在三种分辨率视图下人脸重建结果的平均PSNR、SSIM指标得分,可以看出本发明在每种情况下都取得了最好的指标成绩。另外,本发明在重建的视觉效果上也更加出色,尤其是在更高的缩放倍数场景下。
表1七种方法全局脸的PSNR、SSIM指标得分
实验2基于CelebA数据库的超分辨率重建对比实验
在本实验中,本发明的参数与实验1参数保持一致。本实验基于Celeb A数据集,如图3所示是六种方法在CelebA数据库上分别以2倍、4倍、6倍、8倍放大倍数的超分辨率重建结果对比,图中从左到右每一列分别为高分辨率原图、低分辨率图像、本发明重建结果、SR2DCCA方法重建结果、VDSR方法重建结果、MSRN方法重建结果、TLcR方法重建结果以及Bicubic方法重建结果,从上到下每一行分别表示2倍、4倍、6倍以及8倍缩放;下表为七种方法在三种分辨率视图下人脸超分辨率结果的平均PSNR、SSIM指标得分。可以看出本发明无论从重建视觉效果还是从数据指标方面衡量都取得了最好的成绩。
表2七种方法超分辨率结果的PSNR、SSIM指标得分
综上所述,本发明利用二维多集偏最小二乘,同时为同源的不同低分辨率视图的二维人脸图像学习左、右投影方向,将多视图人脸图像分成重叠的图像块,再共同学习多视图二维图像块的潜在相干特征,利用邻域重建策略和块合并对输入的低分辨率人脸进行超分辨率重建。实验结果表明,本发明的重建效果从主观视觉效果和客观指标评价上均有较好的性能。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (5)
1.基于二维多集偏最小二乘的人脸图像超分辨率重建方法,其特征在于,包括以下步骤:
步骤1在训练阶段利用训练集学习不同分辨率视图之间的潜在相关关系,将训练集中的不同视图的高频图像和其相对应的低分辨率图像分成重叠的图像块,利用二维多集偏最小二乘法对二维图像块进行特征提取,计算二维多集偏最小二乘投影矩阵,将二维图像块投影到二维多集偏最小二乘子空间;
步骤2在测试阶段将输入的多种低分辨率图像分成重叠的图像块,利用训练阶段得到的相应低分辨率的二维多集偏最小二乘投影矩阵将输入的二维低分辨率图像块投影到二维多集偏最小二乘法子空间,利用邻域重建策略以及图像块合并对输入的低分辨率人脸图像进行高频人脸图像重建;
步骤3最终输出的超分辨率重建图像为重建出的高频图像加上输入的低分辨率人脸图像。
2.根据权利要求1所述的基于二维多集偏最小二乘的人脸图像超分辨率重建方法,其特征在于,步骤1中所述计算二维多集偏最小二乘投影矩阵包含以下步骤:
(1)对于m个视图二维中心化随机变量其中pi和qi分别表示xi的两个维度,二维多集偏最小二乘法目的为寻找两组线性变换和其中d1和d2分别为左投影向量和右投影向量的维度,二维多集偏最小二乘的最优化问题表示如下:
s.t.(Li)TLi=(Ri)TRi=I,i=1,…,m,
其中Cov(·)表示矩阵的协方差;
循环迭代计算第k个左、右投影方向直至收敛,其中:
其可以利用拉格朗日乘子法转换成如下多元特征值问题进行求解:
PlSll=Λll,
PrSrr=Λrr,
3.根据权利要求1所述的基于二维多集偏最小二乘的人脸图像超分辨率重建方法,其特征在于,步骤1中所述训练阶段包括以下步骤:
(1)对于训练集中的原始高低分辨率人脸图像集X0和m个不同低分辨率人脸图像集每幅低分辨率图像均通过插值函数将其放大到高分辨率图像大小,n为每种视图中的人脸图像数量,通过Yi=X0-Xi,i=1,2,…,m提取人脸高频图像,再将所有高频图像以及低分辨率图像分成重叠且边长为s×s的图像块,在第j个位置上的所有高频图像块的集合和所有低分辨率图像块的集合分别为和其中和分别为第i个分辨率视图中第t个高频人脸的位于第j个位置的高频图像块和低分辨率图像块;
4.根据权利要求1所述的基于多集偏最小二乘的人脸图像超分辨率重建方法,其特征在于,步骤2中所述的测试阶段包括以下步骤:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069628.2A CN111292237B (zh) | 2020-01-21 | 2020-01-21 | 基于二维多集偏最小二乘的人脸图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069628.2A CN111292237B (zh) | 2020-01-21 | 2020-01-21 | 基于二维多集偏最小二乘的人脸图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292237A true CN111292237A (zh) | 2020-06-16 |
CN111292237B CN111292237B (zh) | 2023-08-08 |
Family
ID=71021240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010069628.2A Active CN111292237B (zh) | 2020-01-21 | 2020-01-21 | 基于二维多集偏最小二乘的人脸图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292237B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184555A (zh) * | 2020-10-21 | 2021-01-05 | 天津大学 | 一种基于深度交互学习的立体图像超分辨率重建方法 |
CN114549323A (zh) * | 2022-02-28 | 2022-05-27 | 福建师范大学 | 基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481196A (zh) * | 2017-09-12 | 2017-12-15 | 河南大学 | 基于最近特征线的特征转换人脸超分辨率重建方法 |
-
2020
- 2020-01-21 CN CN202010069628.2A patent/CN111292237B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481196A (zh) * | 2017-09-12 | 2017-12-15 | 河南大学 | 基于最近特征线的特征转换人脸超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
YUN-HAO YUAN: "LEARNING SIMULTANEOUS FACE SUPER-RESOLUTION USING MULTISET PARTIAL", 《IEEE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184555A (zh) * | 2020-10-21 | 2021-01-05 | 天津大学 | 一种基于深度交互学习的立体图像超分辨率重建方法 |
CN112184555B (zh) * | 2020-10-21 | 2022-07-19 | 天津大学 | 一种基于深度交互学习的立体图像超分辨率重建方法 |
CN114549323A (zh) * | 2022-02-28 | 2022-05-27 | 福建师范大学 | 基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111292237B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112750082B (zh) | 基于融合注意力机制的人脸超分辨率方法及系统 | |
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
Luo et al. | Ebsr: Feature enhanced burst super-resolution with deformable alignment | |
Lu et al. | Image super-resolution via double sparsity regularized manifold learning | |
Lu et al. | Alternatively constrained dictionary learning for image superresolution | |
Sheng et al. | Cross-view recurrence-based self-supervised super-resolution of light field | |
US20150269708A1 (en) | Method for Generating High-Resolution Images using Regression Patterns | |
CN104657962B (zh) | 基于级联线性回归的图像超分辨重建方法 | |
Yoon et al. | Spheresr: 360deg image super-resolution with arbitrary projection via continuous spherical image representation | |
CN112070670A (zh) | 全局-局部分离注意力机制的人脸超分辨率方法及系统 | |
CN111292237A (zh) | 基于二维多集偏最小二乘的人脸图像超分辨率重建方法 | |
Tang et al. | Combining sparse coding with structured output regression machine for single image super-resolution | |
Liu et al. | Research on super-resolution reconstruction of remote sensing images: A comprehensive review | |
Shi et al. | Exploiting multi-scale parallel self-attention and local variation via dual-branch transformer-CNN structure for face super-resolution | |
CN117575915A (zh) | 一种图像超分辨率重建方法、终端设备及存储介质 | |
Wang et al. | Group shuffle and spectral-spatial fusion for hyperspectral image super-resolution | |
Yoon et al. | SphereSR: $360^{\circ} $ Image Super-Resolution with Arbitrary Projection via Continuous Spherical Image Representation | |
Zhang et al. | An adaptive learning method for face hallucination using locality preserving projections | |
CN111275624B (zh) | 基于多集典型相关分析的人脸图像超分辨率重建识别方法 | |
CN117114987A (zh) | 基于亚像素和梯度引导的光场图像超分辨率重建方法 | |
CN116563167A (zh) | 基于自适应纹理和频域感知的人脸图像重建方法、系统、装置及介质 | |
Jeevan et al. | WaveMixSR: Resource-efficient neural network for image super-resolution | |
CN107481196B (zh) | 基于最近特征线的特征转换人脸超分辨率重建方法 | |
CN111292238B (zh) | 一种基于正交偏最小二乘的人脸图像超分辨率重建方法 | |
CN110111252A (zh) | 基于投影矩阵的单幅图像超分辨率方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |