[發(fā)明專利]基于混合稀疏先驗?zāi)Ｐ偷膱D像復原方法

有效

• 申請?zhí)枺?/td>: 201810474087.4
• 申請日: 2018-05-17
• 公開（公告）號: CN108734675B
• 公開（公告）日: 2021-09-28
• 發(fā)明（設(shè)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(quán)）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(yè)專利中心 61205
• 代理人: 王品華

本發(fā)明公開了一種自然圖像復原方法，主要解決現(xiàn)有技術(shù)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(xiàn)方案為：1)對復原圖像和循環(huán)次數(shù)進行初始化；2)構(gòu)造并訓練12層卷積神經(jīng)網(wǎng)絡(luò)；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(quán)重；6)由塊的權(quán)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(jù)稀疏特征圖的先驗估計值構(gòu)建求解復原圖像的目標函數(shù)；9)求解目標函數(shù)并輸出復原圖像。本發(fā)明復原結(jié)果紋理細節(jié)清晰，可用于將數(shù)碼相機中的退化圖像恢復出真實圖像。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進一步涉及一種圖像復原方法，可用于將數(shù)碼相機中的退化圖像恢復出真實圖像。

背景技術(shù)

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(huán)境噪聲影響，成像系統(tǒng)本身的不穩(wěn)定性和與環(huán)境的相對運動，以及信號傳輸介質(zhì)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(shù)就是利用退化的圖像得到其潛在的真實圖像。傳統(tǒng)的基于模型的圖像復原方法由于缺乏關(guān)于真實圖像的魯棒的先驗信息和模型求解迭代次數(shù)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(shù)據(jù)難以構(gòu)造、訓練時間較長、模型復雜度較高而難以應(yīng)用到實際應(yīng)用之中。

Kai Zhang等人在其發(fā)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(shù)據(jù)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(nèi)部的先驗信息，對于重復性的紋理結(jié)構(gòu)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?zhí)枺?015102469757，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(shù)據(jù)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(fā)明內(nèi)容

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種基于混合稀疏先驗?zāi)Ｐ偷膱D像復原方法，旨在結(jié)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(shù)據(jù)中的先驗信息和退化圖像內(nèi)部的先驗信息，獲得更好的圖像復原效果。

本發(fā)明的技術(shù)思路是：結(jié)合深度神經(jīng)網(wǎng)絡(luò)，將從海量數(shù)據(jù)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(xiàn)自然圖像的復原。其步驟包括如下：

(1)設(shè)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(shè)置循環(huán)次數(shù)t＝0,1,2,...,M，M最大循環(huán)次數(shù)取值為100；

(2)構(gòu)造一個12層卷積神經(jīng)網(wǎng)絡(luò)，并對其進行訓練，用訓練好的卷積神經(jīng)網(wǎng)絡(luò)計算初始復原圖像x⁽⁰⁾的初步估計值

(3)根據(jù)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；