[發(fā)明專利]圖像恢復方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201310690268.8
• 申請日: 2013-12-16
• 公開（公告）號: CN103679660A
• 公開（公告）日: 2014-03-26
• 發(fā)明（設(shè)計）人: 戴瓊海;彭義剛;徐文立
• 申請（專利權(quán)）人: 清華大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京清亦華知識產(chǎn)權(quán)代理事務所(普通合伙) 11201
• 代理人: 張大威

1.一種圖像恢復方法，其特征在于，包括以下步驟：

建立矩陣低秩稀疏分解模型；

對所述矩陣低秩稀疏分解模型進行求解，以獲取分解結(jié)果；以及

根據(jù)所述矩陣低秩稀疏分解模型和所述分解結(jié)果對圖像進行恢復。

2.根據(jù)權(quán)利要求1所述的圖像恢復方法，其特征在于，所述矩陣低秩稀疏分解模型表示為：

minA,EΣj=1n(wA,j·σj)+λ|WE⊗E|1,]]>

約束條件：D=A+E，

其中，D為觀測矩陣，A為低秩矩陣，E為稀疏矩陣，（D，A，E）∈R^m×n，σ_j為所述低秩矩陣A的奇異值，w_A,j表示所述低秩矩陣A的奇異值的權(quán)重，且w_A={w_A,j}，λ為權(quán)重系數(shù)，且λ>0,W_E為所述稀疏矩陣E的1-范數(shù)最小化的權(quán)重矩陣，且與所述稀疏矩陣E同維數(shù)，表示所述矩陣W_E與所述稀疏矩陣E的對應的元素相乘，表示矩陣的1-范數(shù)。

3.根據(jù)權(quán)利要求1或2所述的圖像恢復方法，其特征在于，利用線性約束的迭代重加權(quán)算法對所述矩陣低秩稀疏分解模型進行求解，所述線性約束的迭代重加權(quán)算法具體包括：

設(shè)置并初始化迭代步數(shù)計數(shù)k，以及所述權(quán)重系數(shù)w_A和W_E；

利用交替方向算法求解重加權(quán)所述低秩矩陣A的核范數(shù)和所述稀疏矩陣E的1-范數(shù)的最小化問題；

更新所述權(quán)重系數(shù)w_A和W_E；

當達到預設(shè)迭代終止條件或所述迭代步數(shù)計數(shù)k達到最大迭代步數(shù)時，得到分解結(jié)果。

4.根據(jù)權(quán)利要求3所述的圖像恢復方法，其特征在于，所述權(quán)重系數(shù)w_A和W_E的選擇條件為：

選擇用于重加權(quán)所述低秩矩陣A的核范數(shù)最小化的權(quán)重w_A的大小與所述低秩矩陣的奇異值的大小成反比；

選擇用于重加權(quán)所述稀疏矩陣E的1-范數(shù)最小化的權(quán)重W_E與所述稀疏矩陣中元素絕對值的大小成反比。

5.根據(jù)權(quán)利要求3所述的圖像恢復方法，其特征在于，所述交替方向算法具體包括：

定義增量拉格朗日函數(shù)為；

交替地求解所述增量拉格朗日函數(shù)的最小值，并分別得到更新的所述低秩矩陣A和所述稀疏矩陣E；

更新所述拉格朗日乘子矩陣Y；

當滿足時，得到更新后的最終的所述低秩矩陣A和所述稀疏矩陣E，其中，||_F表示矩陣的F范數(shù)。

6.根據(jù)權(quán)利要求5述的圖像恢復方法，其特征在于，利用非均勻奇異值截取算子更新所述低秩矩陣A。

7.據(jù)權(quán)利要求5述的圖像恢復方法，其特征在于，利用非均勻軟閾值截取算子更新所述稀疏矩陣E。