基于级联线性回归的快速单幅图像超分辨率技术

基于学习的图像超分辨率技术,通过学习获得高、低分辨率图像之间的映射关系,将其作为先验约束条件来估计高分辨率图像。这种技术的一个重要问题是如何建立高分辨率和低分辨率图像之间的映射关系,大多数现有的复杂模型既难以推广到所有自然图像,还需要耗费大量时间进行模型训练,而简单模型的表示能力却很有限。本文提出了一种简单、有效、鲁棒、快速的图像超分辨率技术。这种超分辨技术基于一系列线性最小二乘函数,即级联线性回归模型,这种模型函数具有闭合形式的解,仅需要很少的控制参数,因此在计算上能够有效实现。为了减小估计模型和实际模型之间的差距,本文通过k-means算法将图像块进行聚类,并在每次迭代中学习每个聚类的线性回归参数,在级联线性回归学习过程中逐渐逼近真实的超分辨率图像。实验结果表明,本文所提出的技术与现有技术方法相比,具有更好的超分辨性能、更低的时间消耗。

基于级联线性回归的单帧图像超分辨重建算法研究

在实际生活中,由于硬件设备、拍摄技术以及距离等各方面因素的影响,人们经常无法获得高分辨率的图像,因此,利用算法和软件提高图像分辨率,从而获得清晰度较高的图像的工作就变得越发重要。基于学习的单帧图像的超分辨技术,就是建立低分辨率图像集和高分辨率图像集之间的关系,即通过学习低分辨率图像和高分辨率图像之间的映射关系进而获得先验知识,以此为约束条件重建得出高分辨率图像。在此方法中,高、低分辨率之间的映射关系十分重要且较难获得。本论文应用了一种简单有效的方法即通过建立级联线性回归模型对高、低分辨率图像之间的映射关系进行学习。级联线性回归模型需要的参数少,并且该函数可以求出闭合解,因此在求解时可以简便地获得更有效的结果。为使结果更加准确,论文中的算法通过对低分辨率图像进行下采样再经过双立方插值等一系列操作得到不同层数的级联性回归的高分辨率图像,通过实验对比不同级联层数的峰值信噪比PSNR(Peak Signal to Noise Ratio),选择PSNR较高的级联层数,之后对各级高分辨图像进行迭代得到最终的高分辨率图像,并将通过算法得到的高分辨率图像与原图像的高分辨率图像进行对比。实验结果表明,采用3×3的图像块,进行二次级联时,此算法能够得到较好的高分辨率图像并且算法难度较小、运行效率较高。

一种新的多角度人脸表情识别方法

传统的多角度人脸表情识别方法是对角度特殊的样本采用角度特殊的分类器识别,该方法忽略了不同角度的人脸表情是相同的人脸表情的不同表现形式,而且传统的多角度人脸表情特征提取时间较长以及不能满足增量更新的要求,基于此,提出了一种新的多角度人脸表情识别方法。该方法首先提取回归模型的增量修正特征,然后用PCA进行特征选择,最后采用判别共享高斯过程隐变量模型识别多角度人脸表情。在CMU-PIE和LFPW数据库上的对比实验表明了该方法较传统的多角度人脸表情识别方法好。