[發明專利]一種基于線性特征的聯合圖像復原和匹配方法及系統

有效

• 申請號: 201910023228.5
• 申請日: 2019-01-10
• 公開（公告）號: CN109903233B
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 桑農;彭軍才;邵遠杰;高常鑫;李文豪
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

1.一種基于線性特征的聯合圖像復原和匹配方法，其特征在于，包括以下步驟：

(1)輸入步驟：

輸入參考圖像I和模糊實時圖像y；

(2)像素字典矩陣D構建步驟：

在參考圖像I中滑動提取與模糊實時圖像y大小相同的圖像塊，將單個圖像塊的像素拉伸為列向量，再將所有圖像塊的像素列向量排列構成像素字典矩陣D；

(3)線性特征字典矩陣D_f構建步驟：

基于像素字典矩陣D構建表征其線性特征的映射矩陣T，進而得到線性特征字典矩陣D_f；所述線性特征字典矩陣D_f構建步驟的具體實現方式為：

計算像素字典矩陣D中列向量的協方差矩陣M；求解協方差矩陣M的特征值和特征向量；篩選m個特征值，該m個特征值之和與所有特征值之和的比值大于預定閾值；提取這m個特征值對應的特征向量組成映射矩陣T；將D乘以T得到線性特征字典矩陣D_f；

或者，

將像素字典矩陣D中的元素轉成二維圖像，記為A_i,i＝1,2,…,N，N為字典元素個數；按照公式計算圖像的總體散布矩陣G_t，計算G_t的特征值和特征向量；

篩選m個特征值，該m個特征值之和與所有特征值之和的比值大于預定閾值；提取這m個特征值對應的特征向量組成映射矩陣T₁，計算線性映射特征圖F_i＝A_i·T₁,i＝1,2,…,N；

計算總體散布矩陣計算G_f的特征值和特征向量；篩選n個特征值，該n個特征值之和與所有特征值之和的比值大于預定閾值；提取這n個特征值對應的特征向量組成映射矩陣T₂，計算最終線性映射特征圖D_i＝T₂^T·F_i,i＝1,2,…,N，將D_i轉成列向量構成線性特征字典矩陣D_f；

(4)初始化清晰實時圖像x步驟：

將模糊實時圖像y按照行優先順序拉伸成像素列向量v1，向量v1和映射矩陣T相乘得到列向量v2；計算列向量v2和字典矩陣D_f中每一個列向量的歐氏距離w1，將歐氏距離w1作為加權系數計算向量v2在字典矩陣D_f上的稀疏表達，得到稀疏系數α1；稀疏系數α1和像素字典矩陣D相乘得到初始化清晰實時圖像x；

(5)迭代復原和匹配步驟：

基于清晰實時圖像x和模糊實時圖像y計算模糊核；依據模糊核更新清晰實時圖像x；將更新的清晰實時圖像x的像素拉伸為列向量v3，向量v3和映射矩陣T相乘得到線性特征列向量v4；結合線性特征列向量v4和線性特征字典矩陣D_f計算清晰實時圖像x的加權稀疏系數；重復步驟(5)，直到達到預定迭代次數；

所述基于清晰實時圖像x和模糊實時圖像y計算模糊核的具體實現方式為：

模糊核其中，

F(·)是快速傅里葉變換，F^-1(·)是快速傅里葉逆變換，是F(·)的復數共軛，系數γ取值0.003～0.007，I為單位矩陣，是矩陣點乘；

所述依據模糊核更新清晰實時圖像x的具體實現方式為：

根據目標函數：

引入一個輔助變量u，則目標函數為：

其中，k是上一步估計的模糊核，y是模糊實時圖像，D是像素字典矩陣，e₁＝[1,-1],e₂＝[1,-1]^T，η,τ和β是權重參數；

以目標函數最小化求解得到清晰實時圖像x；

(6)匹配結果輸出步驟：

選出清晰實時圖像x的加權稀疏系數中最大分量，其對應像素字典矩陣D中的元素在參考圖像I中的位置即為最終匹配結果。

2.根據權利要求1所述的基于線性特征的聯合圖像復原和匹配方法，其特征在于，采用交替最小化的方法來求解清晰實時圖像x，每次迭代中先固定u來優化x，再固定x來優化u；

固定u優化x：

通過求解下面目標函數來優化x：

上面目標函數的解是：

再固定x來優化u：

求解u：

3.一種基于線性特征的聯合圖像復原和匹配系統，其特征在于，包括以下模塊：

輸入模塊，用于輸入參考圖像I和模糊實時圖像y；

像素字典矩陣D構建模塊，用于在參考圖像I中滑動提取多個與模糊實時圖像y大小相同的圖像塊，將單個圖像塊的像素拉伸為列向量，再將所有圖像塊的像素列向量排列構成像素字典矩陣D；

線性特征字典矩陣D_f構建模塊，用于基于像素字典矩陣D構建表征其線性特征的映射矩陣T，進而得到線性特征字典矩陣D_f；所述線性特征字典矩陣D_f構建步驟的具體實現方式為：

計算像素字典矩陣D中列向量的協方差矩陣M；求解協方差矩陣M的特征值和特征向量；篩選m個特征值，該m個特征值之和與所有特征值之和的比值大于預定閾值；提取這m個特征值對應的特征向量組成映射矩陣T；將D乘以T得到線性特征字典矩陣D_f；

或者，

將像素字典矩陣D中的元素轉成二維圖像，記為A_i,i＝1,2,…,N，N為字典元素個數；按照公式計算圖像的總體散布矩陣G_t，計算G_t的特征值和特征向量；

篩選m個特征值，該m個特征值之和與所有特征值之和的比值大于預定閾值；提取這m個特征值對應的特征向量組成映射矩陣T₁，計算線性映射特征圖F_i＝A_i·T₁,i＝1,2,…,N；

計算總體散布矩陣計算G_f的特征值和特征向量；篩選n個特征值，該n個特征值之和與所有特征值之和的比值大于預定閾值；提取這n個特征值對應的特征向量組成映射矩陣T₂，計算最終線性映射特征圖D_i＝T₂^T·F_i,i＝1,2,…,N，將D_i轉成列向量構成線性特征字典矩陣D_f；

初始化清晰實時圖像x模塊，用于將模糊實時圖像y按照行優先順序拉伸成像素列向量v1，向量v1和映射矩陣T相乘得到列向量v2；計算列向量v2和字典矩陣D_f中每一個列向量的歐氏距離w1，將歐氏距離w1作為加權系數計算向量v2在字典矩陣D_f上的稀疏表達，得到稀疏系數α1；稀疏系數α1和像素字典矩陣D相乘得到初始化清晰實時圖像x；

迭代復原和匹配模塊，用于基于清晰實時圖像x和模糊實時圖像y計算模糊核；依據模糊核更新清晰實時圖像x；將更新的清晰實時圖像x的像素拉伸為列向量v3，向量v3和映射矩陣T相乘得到線性特征列向量v4；結合線性特征列向量v4和線性特征字典矩陣D_f計算清晰實時圖像x的加權稀疏系數；重復迭代復原和匹配模塊，直到達到預定迭代次數；

所述基于清晰實時圖像x和模糊實時圖像y計算模糊核的具體實現方式為：

模糊核其中，

F(·)是快速傅里葉變換，F^-1(·)是快速傅里葉逆變換，是F(·)的復數共軛，系數γ取值0.003～0.007，I為單位矩陣，是矩陣點乘；

所述依據模糊核更新清晰實時圖像x的具體實現方式為：

根據目標函數：

引入一個輔助變量u，則目標函數為：

其中，k是上一步估計的模糊核，y是模糊實時圖像，D是像素字典矩陣，e₁＝[1,-1],e₂＝[1,-1]^T，η,τ和β是權重參數；

以目標函數最小化求解得到清晰實時圖像x；

匹配結果輸出模塊，用于選出清晰實時圖像x的加權稀疏系數中最大分量，其對應像素字典矩陣D中的元素在參考圖像I中的位置即為最終匹配結果。