论文部分内容阅读
图像的超分辨率重建过程通常涉及低分辨率图像序列中的运动估计、去模糊、降噪以及图像插值，是一个典型的病态离散逆问题。本论文研究由低质量人脸图像重建出一幅更高质量人脸图像的超分辨率问题，分别在单帧重建、多帧重建以及盲超分辨率三个方面进行了研究。
本论文提出了一种单张正面人脸图像超分辨率重建的自适应流形学习方法。相对于多帧超分辨率重建，单帧超分辨率重建在数学上是一个更为病态的问题。由于人脸图像的高频信息通常是在局部存在微妙变化的，我们通过一种新的流形学习方法LPP(Locality Preserving Projections)，在人脸局部子流形上分析人脸图像的局部结构特征，并在LPP特征空间中动态搜索出与输入图像块最相似的像素块集合作为学习样本，即实现了自适应学习样本选择。最后，通过特征变换(Eigen-transformation)的方法有效地恢复出了低分辨率图像中所缺失的高频信息。
将人脸图像块看作一些特定信号类，本论文将传统的“重建约束”与人脸图像块的“正交补特征子空间约束”统一在贝叶斯框架下，提出了一种新的基于学习的人脸图像超分辨率重建的规整化方法。在仿射变换运动模型下，将图像的四邻域插值方法拓展为图像的梯度场估计问题，导出了更一般的形变图像关于运动参数的Jacobi矩阵形式。并且根据对代价函数的全微分和偏微分展开，将非线性最小二乘问题转化为了线性最小二乘问题，并给出了三种运动参数与高分辨率图像的联合迭代估计算法。此外，给出了一种超分辨率重建问题中的规整化参数的自适应计算方法。
最后，提出了利用多帧低分辨率图像，在仿射变换模型下，非参数化模糊辨识、运动估计与超分辨率重建的联合估计方法。通过证明采用仿射形变的观察模型的一个等价形式，我们讨论了具有任意形状和大小的模糊核的估计方法及其快速算法。将模糊的零子空间约束作为一项规整化泛函，给出了在模糊估计和图像配准、重建之间的交替优化算法。这种迭代算法使得这个三重耦合问题的求解始终限定在一个复杂程度可控的范围之内。