一种新颖的人脸图像超分辨率技术研究

本文针对基于学习的人脸图像超分辨率技术进行研究,采用多分辨率的幻觉脸算法。针对Baker方法（文献[1]）建立的图像金字塔提取高频细节不够丰富的缺点,采用Kirsch算子提取高频特征。它与Baker的一阶、二阶灰度算子结合,能够提取更多的图像信息,使得匹配更为准确。另外将流形学习中的LLE算法思想引入匹配复原过程中,使复原结果获取更完备的高频信息。实验结果表明,本文预测得到的先验模型更为准确,使得最终复原的人脸图像具有更好的视觉效果。     

膳食纤维与肠道微生物及相关疾病的研究进展

肠道微生物与人体长期共生,且与人体健康和疾病密切相关,膳食纤维通过改变肠道微生物的种类与数量,间接影响其在肠道中的代谢产物,进而影响人体的健康与疾病。肠道微生物与膳食纤维密切合作,对人体健康的影响意义重大。本文介绍了膳食纤维的定义、膳食纤维的生理功能、膳食纤维的最适摄入量、肠道微生物及其生理功能、膳食纤维对肠道微生物的影响、膳食纤维及肠道微生物对肥胖、炎症、结直肠癌、妊娠合并症及心脑血管疾病的影响,为通过调整膳食纤维治疗疾病的实践提供参考。     

基于Contourlet变换的人脸图像超分辨率技术研究

采用Contourlet变换,对基于学习的人脸图像超分辨率技术进行了研究.为了表示人脸特征,首先建立了Contourlet金字塔,针对Contourlet变换特征存在的不足,采用Contoudet变换的方向滤波器(DFB)对高斯金字塔的一阶和二阶梯度特征进行方向滤波,提取滤波后的特征作为新增加的特征.然后针对人脸的特殊性,在匹配过程中采用对应点进行匹配的方法,既保持了匹配的准确性又加快了匹配速度.最后采用最小欧式距离进行最优匹配的选择,对该距离进行判断.针对不同的距离采用不同的复原方法.实验结果表明,本文算法复原出的超分辨率人脸图像具有更好的视觉效果,更逼真、更接近于原始高分辨率图像.     

基于学习的超分辨率技术

基于学习的超分辨率算法使用一个图像训练集来产生一个学习模型,运用该模型为输入的低分辨率图像创建更多的高频信息,获得比基于重建算法更好的结果。该文介绍了基于学习的超分辨率技术的相关工作、理论基础和主要算法,提出基于学习的超分辨率算法中仍需解决的关键问题,展望其在未来的研究发展方向。     

基于多分辨率塔式结构的幻觉脸技术的研究

提出的基于多分辨率塔式结构的幻觉脸算法,使用改进的图像金字塔建立标准人脸训练库作为学习模型,能在多尺度、多分辨率上训练出更有效的先验知识.然后在匹配复原过程中引入一种新思路,先结合塔状父结构搜索出拉普拉斯金字塔中最匹配的4个高频细节,再将这4个高频细节进行加权平均后的结果作为丢失的人脸图像的高频细节,最终复原出超分辨率人脸图像.实验结果表明,该算法对64×64大小的低分辨率人脸图像增强16倍,复原出的256×256大小的超分辨率人脸图像更加平滑,减小了一定的噪声干扰.