-
公开(公告)号：CN103020940B
公开(公告)日：2015-07-15
申请号：CN201210575820.4
申请日：2012-12-26
Applicant: 武汉大学
IPC: G06T5/50
Abstract: 一种基于局部特征转换的人脸超分辨率重建方法，将低分辨率的样本库矩阵进行非负矩阵分解，获得低分辨率图像的局部特征表达基；利用局部表达基与样本空间重建系数之间的转换关系，将局部特征转换到全局特征空间；对于输入的低分辨率图像，首先获得低分辨率的图像的具备特征，然后转换到样本空间获得全局特征，最后用高分辨率样本库替换低分辨率样本库获得高分辨率图像；以重建获得的高分辨率图像作为初始值，利用最大后验概率框架对输入的低分辨率图像进行迭代优化，获得更好的图像重建质量。本发明提出了基于图像局部特征到全局特征转换的全局人脸超分辨率算法，提升了全局脸算法的细节表现能力，提高了高分辨率重建图像的客观图像质量。
-
公开(公告)号：CN103049897A
公开(公告)日：2013-04-17
申请号：CN201310027625.2
申请日：2013-01-24
Applicant: 武汉大学
IPC: G06T5/50
Abstract: 本发明提供了一种基于自适应训练库的块域人脸超分辨率重建方法。此种新的基于学习的方法，首先将高低分辨率训练图像对统一分块，在以位置为单位的块集合内部进行聚类处理。然后对输入图像的每一个块，在对应位置训练块集上做出自适应选择，根据近邻选择和自适应类别选择，筛选出自适应的训练集，然后在低分辨率块通过在该自适应训练集中做主成分分析系数投影恢复高频细节。以此解决或减轻噪点严重的人脸图像（如监控图像）超分辨率恢复中的噪声问题。
-
公开(公告)号：CN102521810A
公开(公告)日：2012-06-27
申请号：CN201110421452.3
申请日：2011-12-16
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 一种基于局部约束表示的人脸超分辨率重建方法，将输入的低分辨率人脸图像、高低分辨率训练集内人脸图像分别划分为相互交叠的图像块；对输入的低分辨率人脸图像的每一个图像块，根据图像块的表示具有局部性这一先验，计算由低分辨率训练集内每个图像相应位置图像块进行线性重建时的最优权重系数；将低分辨率训练集内每个图像相应位置图像块，用一一对应的高分辨率训练集内每个图像相应位置图像块进行替换，加权合成高分辨率图像块；按照人脸上的位置，融合成高分辨率人脸图像。本发明提出局部约束表示模型，自适应地选择训练集内样本图像块空间中与输入图像块近邻的图像块来线性重建输入图像块，得到最优权重系数，合成出高质量的高分辨率图像。
-
公开(公告)号：CN105405097A
公开(公告)日：2016-03-16
申请号：CN201510719130.5
申请日：2015-10-29
Applicant: 武汉大学
IPC: G06T3/40
CPC classification number: G06T3/4053
Abstract: 本发明公开了一种基于反向流形约束的鲁棒性人脸超分辨率处理方法及系统，包括：S1：构建训练库；S2：将待处理低分辨率人脸图像和训练库中图像划分为具交叠部分的图像块；S3：逐一建立训练库中各高分辨率图像块的局部流行空间；S4：逐一建立各待处理图像块的高分辨率局部流行空间和低分辨率局部流行空间，并构建各待处理图像块的投影矩阵；S5：采用投影矩阵恢复对应的待处理图像块，获得待估图像块；S6：拼接待估图像块得待估高分辨率人脸图像。本发明采用高分辨率局部流形空间的距离度量来决定低分辨率局部流形空间，对于低质量环境下人脸图像的恢复，在主观质量上可以得到明显的提升，尤其适用于监控环境下损毁严重的人脸图像恢复。
-
公开(公告)号：CN104077742A
公开(公告)日：2014-10-01
申请号：CN201410349998.6
申请日：2014-07-22
Applicant: 武汉大学
IPC: G06T3/40
Abstract: 本发明提供了一种基于GABOR特征的人脸素描合成方法及系统，包括步骤：将待合成人脸照片、人脸照片样本以及人脸素描样本划分为相互重叠的像素块；提取各像素块的Gabor特征，基于像素块Gabor特征的协方差矩阵获得Stein散度矩阵；基于Stein散度矩阵及各人脸照片样本像素块的重建系数，获得最优权值；采用最优权值将各人脸素描样本对应位置的像素块加权合成，获得合成人脸素描像素块；融合合成人脸素描像素块获得待合成人脸照片对应的合成人脸素描。本发明可合成更高质量的人脸素描，可应用于刑事侦查中。
-
Patent Agency Ranking
公开(公告)号：CN102693419B
公开(公告)日：2014-02-26
申请号：CN201210164069.9
申请日：2012-05-24
Applicant: 武汉大学
Abstract: 一种基于多流形判别分析超分辨率的人脸识别方法，在训练阶段，通过多流形判别分析得到一个由低高辨率人脸图像多流形空间到高分辨率人脸图像多流形空间的映射矩阵。在原始高分辨率人脸图像多流形空间构建类内相似性图和类间相似性图，利用这两个近邻图构建判别约束项，最优化由重建约束项和判别约束项组成的代价函数，得到映射矩阵。在识别阶段，通过离线学习得到的映射矩阵将待识别的低分辨率人脸图像映射到高分辨率人脸图像多流形空间，得到高分辨率人脸图像；在高分辨率人脸图像多流形空间，利用欧氏距离准则用最近邻分类器进行分类识别。在人脸识别率和运行效率上，本发明方法相对传统超分辨率方法均有了极大的提升。
-
公开(公告)号：CN103489174A
公开(公告)日：2014-01-01
申请号：CN201310460885.9
申请日：2013-10-08
Applicant: 武汉大学
Abstract: 本发明公开了一种基于残差保持的人脸超分辨率方法，本发明是基于学习的方法，首先将高低分辨率训练图像对统一分块，在以位置为依据的块集合内部进行处理：对输入图像的每一个块，在对应位置训练块集上分别估计其平滑高频成分、标准差投影高频成分、以及通过残差训练集估计其高频补偿成分。通过这三种高频信息的线性组合，在高分辨率平均脸上重建出高分辨率图像。以此解决或减轻噪点严重的人脸图像（如监控图像）超分辨率恢复中的噪声问题。
-
公开(公告)号：CN103226818A
公开(公告)日：2013-07-31
申请号：CN201310147510.7
申请日：2013-04-25
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 一种基于流形正则稀疏支撑回归的单帧图像超分辨率重建方法，建立高、低分辨率图像块集分别作为高、低分辨率图像块字典；将输入低分辨率图像划分成为若干个图像块，对图像块用低分辨率图像块字典进行稀疏编码并得到支撑集；计算高分辨率图像块支撑集的近邻关系并保持到重建后的高分辨率图像块空间，学习由低分辨率图像块空间到高分辨率图像块空间的映射关系；利用此映射关系求得所有输入低分辨率图像块对应的高分辨率图像块，并融合成高分辨率图像。本发明提出流形正则稀疏支撑回归表示模型，自适应的选择稀疏表示的支撑集，并利用了支撑集中高分辨率图像块的流形结构来约束高分辨率图像块重建，因而得到更高质量的高分辨率图像。
-
公开(公告)号：CN102402784B
公开(公告)日：2013-07-24
申请号：CN201110421817.2
申请日：2011-12-16
Applicant: 武汉大学
IPC: G06T5/50
Abstract: 一种基于最近特征线流形学习的人脸图像超分辨率方法，把人脸图像块样本空间中的样本点两两相连形成特征线，将已有样本点扩充为特征线上的无数多个样本点，从而增强人脸图像块样本空间的表达能力；在扩充之后的样本空间中，利用最近特征线准则来定义样本空间中样本点之间的近邻关系，通过保持高低分辨率图像块样本空间的这种邻域关系，从而正确揭示高低分辨率人脸图像块流形之间的局部相似结构特征；通过保持这种局部相似结构特征，重构输入的低分辨率人脸图像块对应的高分辨率块，融合所有高分辨率块得到高分辨率人脸图像。此外，本发明根据输入的低分辨率图像块，对原始样本空间进行预筛选，再利用上述方法对其分析，大大降低本方法的运算复杂度。
-
公开(公告)号：CN103034974A
公开(公告)日：2013-04-10
申请号：CN201210523889.2
申请日：2012-12-07
Applicant: 武汉大学
Abstract: 基于支撑集驱动稀疏编码的人脸超分辨率重建方法，将输入的低分辨率人脸图像、高低分辨率训练集内人脸图像分别划分为相互交叠的图像块；对输入的低分辨率人脸图像的每一个图像块，首先给编码系数分配不同的权重，然后通过求解权重稀疏问题获得最终编码系数；将低分辨率训练集内每个图像相应位置图像块，用一一对应的高分辨率训练集内每个图像相应位置图像块进行替换，加权合成高分辨率图像块；按照合成的高分辨率图像块在人脸上的位置，融合成高分辨率人脸图像。本发明提出局部约束表示模型，自适应地选择训练集内样本图像块空间中与输入图像块近邻的图像块来线性重建输入图像块，得到最优权重系数，合成出高质量的高分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.031 seconds)
