基于K近邻稀疏编码均值约束的人脸超分辨率算法  

Face Hallucination via KNN Sparse Coding Mean Constrained

作　　者：黄克斌[1,2] 胡瑞敏[1] 韩镇[1] 卢涛[1] 江俊君[1] 王锋[2] 

机构地区：[1]武汉大学国家多媒体软件工程技术研究中心,武汉430072 [2]黄冈师范学院数字媒体技术系,黄冈438000

出　　处：《计算机科学》2013年第5期271-273,295,共4页Computer Science

基　　金：国家重点基础研究发展计划(973计划)基金项目(2009CB320906);国家自然科学基金项目(61070080;60970160;61003184);湖北省自然科学基金项目(2009CDB404;2009CDA134;2010CDB05103)资助

摘　　要：针对低分辨率、低质量人脸图像的超分辨率重建问题,提出了一种基于K近邻稀疏编码均值约束的人脸超分辨率算法。首先,根据人脸块位置先验信息,对训练样本图像块进行聚类,得到与输入人脸图像块位置一致的高、低分辨率稀疏表示字典对;然后,利用低分辨率字典,在稀疏和K近邻稀疏编码均值的共同约束下实现低分辨率图像块的稀疏表示;最后,通过系数映射,结合高分辨率字典实现高分辨率图像块重建,最终将所有高分辨率图像块进行交叠平均得到高分辨率人脸图像。实验结果验证了算法的有效性及先进性。本方法在保持重建人脸图像相似度的基础上,改善了人脸图像的清晰度,提高了超分辨率图像的质量。A novel sparse representation based super-resolution（SR） method was proposed to reconstruct a high resolu- tion（HR） face image from a low resolution（LR） observation via training samples. First,a specific LR and HR over- complete dictionary pair was learned for a certain patch over the patches in all training samples with the same position. Second, K Nearest Neighbor（KNN） sparse coding mean constrain was used to make the sparse representation of the in- put patch more accurate. Third, the HR patch was hallucinated via the sparse representation coefficients and the HR dictionary. At last,we formed the final HR face image by integrating the hallucinated HR patches together. Experiments validate the proposed method in extensive data. Compared to some state-of-the-art methods, our method exhibits better performance both in subjective and objective quality.

关 键 词：位置块 稀疏表示 K近邻稀疏编码均值 人脸超分辨率 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]