[發明專利]基于混合稀疏先驗模型的圖像復原方法

有效

• 申請號: 201810474087.4
• 申請日: 2018-05-17
• 公開（公告）號: CN108734675B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 董偉生;嚴章熙;毋芳芳;石光明;謝雪梅;吳金建
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

本發明公開了一種自然圖像復原方法，主要解決現有技術中無法得到較為滿意的客觀復原效果和主觀視覺效果的問題。其實現方案為：1)對復原圖像和循環次數進行初始化；2)構造并訓練12層卷積神經網絡；3)計算初始復原圖像初步估計值；4)由初始復原圖像初步估計值計算稀疏特征圖初步估計值；5)對初始復原圖像初步估計值分塊，并計算塊的權重；6)由塊的權重計算稀疏特征圖非局部估計值；7)由稀疏特征圖初步估計值和非局部估計值計算稀疏特征圖先驗估計值；8)根據稀疏特征圖的先驗估計值構建求解復原圖像的目標函數；9)求解目標函數并輸出復原圖像。本發明復原結果紋理細節清晰，可用于將數碼相機中的退化圖像恢復出真實圖像。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及一種圖像復原方法，可用于將數碼相機中的退化圖像恢復出真實圖像。

背景技術

圖像在成像、壓縮、傳輸、記錄、顯示的過程中，由于成像過程受環境噪聲影響，成像系統本身的不穩定性和與環境的相對運動，以及信號傳輸介質的影響，使得最終得到的圖像相對于真實圖像本身有很大程度上的退化。常見的圖像退化有噪聲污染、圖像分辨率不足、圖像模糊等，得到的退化圖像是不可用的。圖像復原技術就是利用退化的圖像得到其潛在的真實圖像。傳統的基于模型的圖像復原方法由于缺乏關于真實圖像的魯棒的先驗信息和模型求解迭代次數過多，往往難以獲得較為理想的復原效果并且算法運行時間較長，而基于學習的圖像復原方法由于模型的訓練數據難以構造、訓練時間較長、模型復雜度較高而難以應用到實際應用之中。

Kai Zhang等人在其發表的論文“Learning Deep CNN Denoiser Prior forImage Restoration”(IEEE International Conference on Computer Vision AndPattern Recognition IEEE,2017:3929-3938)中提出了一種基于卷積神經網絡降噪器的圖像復原方法。該方法對圖像的退化過程進行了建模，將退化的圖像和真實圖像之間的殘差視為噪聲，學習了一個卷積神經網絡充當降噪器的功能，進行退化圖像和真實圖像之間的殘差的消除，此方法利用了外部海量數據中的先驗信息，對于測試圖像有較好的泛化能力，然而此方法并沒有利用到退化圖像內部的先驗信息，對于重復性的紋理結構和訓練集中的未見樣本不能做到很好的恢復。

國防科技大學在其申請的專利文獻“一種基于觀測信號拆分的快速稀疏圖像復原方法”(專利申請號：2015102469757，公開號：CN104835126A)中提出了一種基于稀疏表示的圖像復原方法，此方法立足于稀疏編碼模型，是一種利用先驗正則項進行自然圖像復原的方法，由于其無法利用外部海量數據中的先驗信息，因此該方法不能在測試圖像上獲得較好的泛化能力。

發明內容

本發明的目的在于針對上述現有技術的不足，提出一種基于混合稀疏先驗模型的圖像復原方法，旨在結合基于模型的圖像復原方法和基于學習的圖像復原方法，同時利用外部海量數據中的先驗信息和退化圖像內部的先驗信息，獲得更好的圖像復原效果。

本發明的技術思路是：結合深度神經網絡，將從海量數據中學習到的先驗和圖像非局部自相似性先驗到稀疏編碼模型中，實現自然圖像的復原。其步驟包括如下：

(1)設置退化圖像y，初始化復原圖像x⁽⁰⁾＝H^Ty，其中H表示退化算子，，設置循環次數t＝0,1,2,...,M，M最大循環次數取值為100；

(2)構造一個12層卷積神經網絡，并對其進行訓練，用訓練好的卷積神經網絡計算初始復原圖像x⁽⁰⁾的初步估計值

(3)根據初步估計值計算稀疏特征圖初步估計值：其中w_k為卷積濾波器，*表示卷積操作；