[發明專利]一種圖像修復與去噪方法及系統

有效

• 申請號: 201510866909.X
• 申請日: 2015-12-01
• 公開（公告）號: CN105260995B
• 公開（公告）日: 2019-03-08
• 發明（設計）人: 張召;張妍;李凡長;張莉;王邦軍
• 申請（專利權）人: 蘇州大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種圖像修復與去噪方法，其特征在于，包括：

對訓練圖像樣本數據進行預處理操作，以及對模型參數進行初始化設置；

通過引入聯合低秩與稀疏矩陣分解的思想，利用凸優化技術，將給定的訓練圖像樣本數據矩陣分解為聯合低秩與稀疏主成分特征編碼矩陣與稀疏錯誤矩陣；

對原始的圖像進行修復與去噪處理，得到經過修復與去噪后的圖像；

所述通過引入聯合低秩與稀疏矩陣分解的思想，利用凸優化技術，將給定的訓練圖像樣本數據矩陣分解為聯合低秩與稀疏主成分特征編碼矩陣與稀疏錯誤矩陣包括：

對于向量集合將數據矩陣X分解為聯合低秩與稀疏主成分特征編碼矩陣L^S以及稀疏錯誤矩陣E：

其中，λ＞0為權衡參數，α∈[0,1]為低秩和稀疏編碼項之間的權衡參數，||·||_*為矩陣的核范數，||·||₁為l¹范數，σ_i(A)為矩陣A中的奇異值；通過優化得到的最優解L^S*為所述訓練圖像樣本數據的聯合低秩與稀疏主成分特征編碼矩陣，x_i為所述訓練圖像樣本數據中的一個樣本，n為圖像樣本的維度，N是圖像樣本的總數量；

所述通過引入聯合低秩與稀疏矩陣分解的思想，利用凸優化技術，將給定的訓練圖像樣本數據矩陣分解為聯合低秩與稀疏主成分特征編碼矩陣與稀疏錯誤矩陣包括：

將數據矩陣X分解為聯合低秩與稀疏主成分特征編碼矩陣L^S以及稀疏錯誤矩陣E：

定義增廣拉格朗日函數：

其中，Y₁,Y₂,Y₃為拉格朗日乘子，μ為權重參數，通過所述增廣拉格朗日函數來輪流交替地更新變量：

通過迭代優化凸子問題，依次更新變量值完成求解：

J通過奇異值收縮操作求解，F和E通過標量收縮操作求解。

2.如權利要求1所述的圖像修復與去噪方法，其特征在于，在所述得到經過修復與去噪后的圖像之后還包括：

通過對經過修復與去噪后的圖像進行視覺觀測以及指標量化，對圖像的修復效果進行評價。

3.一種圖像修復與去噪系統，其特征在于，包括：

預處理模塊，用于對訓練圖像樣本數據進行預處理操作，以及對模型參數進行初始化設置；

分解模塊，用于通過引入聯合低秩與稀疏矩陣分解的思想，利用凸優化技術，將給定的訓練圖像樣本數據矩陣分解為聯合低秩與稀疏主成分特征編碼矩陣與稀疏錯誤矩陣；

修復模塊，用于對原始的圖像進行修復與去噪處理，得到經過修復與去噪后的圖像；

所述分解模塊具體用于：

對于向量集合將數據矩陣X分解為聯合低秩與稀疏主成分特征編碼矩陣L^S以及稀疏錯誤矩陣E：

其中，λ＞0為權衡參數，α∈[0,1]為低秩和稀疏編碼項之間的權衡參數，||·||_*為矩陣的核范數，||·||₁為l¹范數，σ_i(A)為矩陣A中的奇異值；通過優化得到的最優解L^S*為所述訓練圖像樣本數據的聯合低秩與稀疏主成分特征編碼矩陣，x_i為所述訓練圖像樣本數據中的一個樣本，n為圖像樣本的維度，N是圖像樣本的總數量；

所述分解模塊具體用于：

將數據矩陣X分解為聯合低秩與稀疏主成分特征編碼矩陣L^S以及稀疏錯誤矩陣E：

定義增廣拉格朗日函數：

其中，Y₁,Y₂,Y₃為拉格朗日乘子，μ為權重參數，通過所述增廣拉格朗日函數來輪流交替地更新變量：

通過迭代優化凸子問題，依次更新變量值完成求解：

J通過奇異值收縮操作求解，F和E通過標量收縮操作求解。

4.如權利要求3所述的圖像修復與去噪系統，其特征在于，還包括：

評價模塊，用于在得到經過修復與去噪后的圖像之后，通過對經過修復與去噪后的圖像進行視覺觀測以及指標量化，對圖像的修復效果進行評價。