人脸图像块的超分辨率重建与合成技术

比起整张人脸图像的直接全局重建［41－43］，首先恢复局部高频信息，再合成为整张图像的方法［36，49，51］有两个优势：一是更容易探索人脸局部的结构特征；二是块中的像素数远远小于整张图像的像素数，由于样本数是一定的，局部学习的方法更能充分挖掘出样本中的内在多样性，因此有更高的学习效率。本章所采用的单独学习高频信息的方法还有另外一个优点：高频图像块中不包含低频信息，其PCA子空间的基向量不受来自低频信息的干扰。

基于块的重建方法需要解决的一个问题是保证相邻块之间的一致性。为此，文献［36，37，40］应用计算马尔科夫网络相邻结点间的相容性函数的方法来约束相邻像素块之间的一致性。由于马尔科夫网络的计算量很大，本章对相邻块间的重叠区域取算术平均。每一个n×n的像素块与相邻的8个像素块重叠，而且每个像素块的1／4区域都被相邻的4个像素块覆盖（n为偶数，本章中取12，所有剩余的像素构成一个边缘块），图4－4给出了相邻块的重叠情况。通过对像素块的重叠区域取平均，得到最终的高频图像，最后与插值出的低频图像相加得到重建图像。图4－5中给出了是否采用算术平均的效果比较，显然这种操作更能保证视觉上的一致性。

图4－4　像素块的重叠与合成(www.xing528.com)

图4－5　平均运算的平滑作用

（a）低分辨率图像；（b）相邻块间无重叠；（c）算术平均；（d）原始高分辨率图像