[發明專利]基于集成字典學習的圖像稀疏表示方法

在審

• 申請號: 201710870137.6
• 申請日: 2017-09-22
• 公開（公告）號: CN107818325A
• 公開（公告）日: 2018-03-20
• 發明（設計）人: 鮑東海;潘娟;丁佳駿;王青沛;李勝;何熊熊
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/46
• 分類號: G06K9/46
• 代理公司: 杭州天正專利事務所有限公司33201
• 代理人: 王兵,黃美娟

技術領域

本發明是一種圖像處理方法，尤其涉及基于集成字典學習的圖像稀疏表示的方法。本發明方法作為現今先進圖像壓縮過程的預處理工作，能夠有效提高圖像壓縮比以及在重構之后提高圖像的清晰度。因此，在后續的圖像檢測和分析中，能夠有效提高其效率和準確率。除此之外，該方法可用于醫療圖像、遙感圖像、移動通信等實際應用領域中來提高圖像的可視化質量。

背景技術

壓縮感知(Compressed Sensing，CS)理論自提出以來就受到了信號處理領域廣泛的關注和研究。其主要有三個組成部分：信號的稀疏表示、降維感知和信號重構。其中，對于可壓縮的信號在某一變換域中能夠利用少量非零系數進行稀疏表示(Sparse Representation)這一性質，使信號的壓縮性能得到了很大的提升。特別是在多媒體信號處理領域，圖像和視頻所占的存儲空間是十分巨大的，而進行高效的、性能優越的稀疏表示和壓縮傳感，對于存儲空間和傳輸信道而言都是十分有意義的。

在對圖像信號進行稀疏表示階段，除了各種固定的正交基(DCT基、小波基等)進行變換，冗余字典(Over-completed Dictionary)的學習和優化也是一項十分不錯的選擇。由于字典的冗余性，即字典的原子(Atom)個數超過信號的維度，使得信號進行稀疏表示時能夠得到更加精確和更加稀疏的表示。較為經典的字典學習(Dictionary Learning)算法有：基于最小二乘的整體字典優化方法MOD；原子逐個優化的K-SVD；MOD和K-SVD相結合的SGK；以及基于自適應算法的RLS-DLA、BRLS等等。

但是，傳統的字典學習算法基本上針對的是單個獨立字典，即對于一段時間內的一類信號，只采用單獨一個字典進行學習優化和使用。如此，無法對一段時間中存在較大變化的信號進行高效的稀疏表示。另外，對于現有這些獨立字典學習算法，一個比較普遍的問題就是計算復雜度的問題。特別是在實時性要求比較高，同時對處理性能、抗噪性能有一定要求的場合，例如視頻處理、無線傳感器網絡中，就無法進行在線(On-Line)的字典學習和更新，因此對后續的信號壓縮和重構帶來的壓力是非常大的。

集成學習(Ensemble Learning)在數據挖掘和機器學習領域中占據著十分重要的位置，其對基學習器(Component Learner)的性能能夠進行一定的提高和優化。在基學習器的集成過程中，由于優化過程相互獨立，因此采用并行計算的思想將有效降低優化的復雜度。

發明內容

本發明為克服現有技術的上述不足之處，提供基于集成字典學習的圖像稀疏表示方法。

本發明方法通過結合獨立字典學習算法、構建基學習器集成框架、圖像的稀疏表示和重構融合，可以使圖像的稀疏表示性能以及字典學習時間，即計算復雜度得到有效優化。通過本發明方法，將有效提高圖像信號的稀疏表示性能，即能夠最小化表示誤差。與此同時，本發明方法作為后續圖像壓縮重構的預處理過程，能夠讓圖像信號以更高的壓縮比進行壓縮，有利于在計算機和移動終端進行傳輸和存儲。同時當圖像從壓縮域中重構出來時，能得到更高的清晰度和辨識度，有利于進行后續的圖像檢測和分析。

本發明通過以下技術方案達到上述目標：基于集成字典學習的圖像稀疏表示方法。實施本發明的基于集成字典學習的圖像稀疏表示方法運行于計算機系統上，包括獨立字典學習器的設計和結合、集成字典學習框架的構建、圖像的稀疏表示和圖像集成，能夠有效提高圖像的稀疏表示能力。另外還有一維至二維的集成學習性能提高的理論推導。在醫學圖像處理，如MRI、內窺鏡，遙感圖像處理等實際應用領域，也有很好的表示性能。

同時，因為稀疏表示性能的提高，有助于在后續圖像壓縮時能夠有效提高壓縮效率，減小因壓縮重構帶來的誤差。正因如此，本發明方法在降低計算復雜度的情況下得到更多的高質量圖像，為后續的圖像檢測和分析提供高質量的圖像，以提高其準確度和效率。

本發明的基于集成字典學習的圖像稀疏表示方法，具體包括以下步驟：

(1)根據現有計算復雜度較高的獨立字典學習算法，設計簡單的集成字典學習的框架模型。即，首先通過獨立字典學習算法和少量的訓練集進行學習，得到多個相互獨立的字典{Ψ_i}；然后將需要進行處理的圖像H₀在各個字典中進行稀疏表示，得到其對應的稀疏表示系數；接著將各個字典和稀疏系數進行重構，得到多個類似但是不完全相同的圖像{h_i}；最后將得到的多個圖像進行融合，得到最終所需要的高清圖像H。其中，獨立字典學習可歸結為字典和稀疏系數的交替優化問題：