[發(fā)明專利]一種基于多尺度自相似性與共形約束的圖像復(fù)原方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910088105.X
• 申請(qǐng)日: 2019-01-29
• 公開(kāi)（公告）號(hào): CN109859131A
• 公開(kāi)（公告）日: 2019-06-07
• 發(fā)明（設(shè)計(jì)）人: 魏瑤瑤;王詩(shī)言;楊洪亮;曾茜;鄭敏
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06T5/20;G06T7/40;G06T3/40;G06K9/62
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種基于多尺度自相似性與共形約束的圖像復(fù)原方法，屬于圖像處理領(lǐng)域。該方法包括：S1：輸入訓(xùn)練好的GMM，用最大期望算法訓(xùn)練GMM，訓(xùn)練集為BSD500；S2：輸入源圖像，初始化退化圖像；S3：將退化后的圖像分塊，通過(guò)GMM進(jìn)行圖像多尺度相似塊分類；S4：計(jì)算每類圖像塊鄰居間與其對(duì)應(yīng)的稀疏系數(shù)在低維空間幾何角度的比例，并找出最大共形比例；S5：通過(guò)圖像整體稀疏系數(shù)矩陣的低秩性求得稀疏系數(shù)矩陣；S6：在稀疏表示模型下，構(gòu)建多尺度相似模塊與共形約束的目標(biāo)函數(shù)；S7：利用ADMM求解目標(biāo)函數(shù)，輸出復(fù)原圖像。本發(fā)明利用馬氏距離度量多尺度相似塊，充分挖掘圖像潛在信息，使得相似塊分類結(jié)果更準(zhǔn)確。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于多尺度自相似性與共形約束的圖像復(fù)原方法。

背景技術(shù)

圖像復(fù)原旨在從退化圖像重建出高質(zhì)量圖像。自然圖像在拍攝、傳輸、接收的過(guò)程中由于硬件設(shè)備自身限制和環(huán)境中的噪聲，導(dǎo)致自然圖像呈現(xiàn)的視覺(jué)效果不理想，所呈現(xiàn)的圖像一般被模糊和噪聲污染，且難以獲得高質(zhì)量圖像，不能滿足實(shí)際生活中對(duì)圖像的呈現(xiàn)效果。因此圖像復(fù)原技術(shù)是非常有必要的，從退化圖像中復(fù)原出細(xì)節(jié)紋理清晰的圖像在機(jī)器視覺(jué)領(lǐng)域有廣泛的應(yīng)用，如醫(yī)學(xué)成像、遙感圖像、視頻監(jiān)控與娛樂(lè)產(chǎn)業(yè)等。根據(jù)圖像退化模型可知，圖像復(fù)原問(wèn)題的關(guān)鍵在于：有效的圖像先驗(yàn)信息的獲取和使用。

早期的圖像復(fù)原方法是基于稀疏表示進(jìn)行復(fù)原，但是由于該方法沒(méi)有利用圖像自身結(jié)構(gòu)信息，復(fù)原圖像具有平滑的邊緣和偽影，視覺(jué)效果不好。隨著對(duì)圖像自身信息的挖掘，基于非局部自相似性的圖像復(fù)原成為研究的重點(diǎn)。這種方法利用的圖像相似性為局部先驗(yàn)信息，加入正則化進(jìn)行高質(zhì)量圖像復(fù)原，但該方法具有局限性，沒(méi)有考慮圖像全局結(jié)構(gòu)，求解時(shí)會(huì)陷入局部最優(yōu)。這些算法雖然能有一定的視覺(jué)效果，但都具有局限性，沒(méi)有很好的獲取、利用圖像有效的先驗(yàn)信息和進(jìn)一步挖掘圖像本身潛在的信息。所以為了進(jìn)一步提高圖像復(fù)原的視覺(jué)效果，基于先驗(yàn)信息的方法仍有待研究。

為了打破之前基于先驗(yàn)信息的方法的局限性，本發(fā)明提出一種多尺度自相似性與共形約束的圖像復(fù)原方法。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于多尺度自相似性與共形約束的圖像復(fù)原方法，用于解決利用圖像先驗(yàn)信息的局限性問(wèn)題，利用馬氏距離度量多尺度相似塊，充分挖掘圖像潛在信息，使得相似塊分類結(jié)果更準(zhǔn)確。結(jié)合共形低秩特性，有效利用這些先驗(yàn)信息，獲得高質(zhì)量圖像。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于多尺度自相似性與共形約束的圖像復(fù)原方法，具體包括以下步驟：

S1：輸入訓(xùn)練好的GMM，用最大期望(Expectation-Maximum,EM)算法訓(xùn)練GMM，訓(xùn)練集為BSD500；

S2：輸入源圖像，由模糊、噪聲和下采樣算子得到退化圖像；

S3：將退化后的圖像分塊，通過(guò)GMM進(jìn)行圖像多尺度相似塊分類；

S4：計(jì)算每類圖像塊鄰居間與其對(duì)應(yīng)的稀疏系數(shù)在低維空間幾何角度的比例，并找出最大共形比例；

S5：通過(guò)圖像整體稀疏系數(shù)矩陣的低秩性求得稀疏系數(shù)矩陣；

S6：在稀疏表示模型下，構(gòu)建多尺度相似模塊與共形約束的目標(biāo)函數(shù)；

S7：利用交替方向乘子算法(Alternating Direction Method of Multipliers,ADMM)求解目標(biāo)函數(shù)，迭代至算法收斂，輸出復(fù)原圖像。

進(jìn)一步，所述步驟S2中，所述退化圖像由下式所得：

y＝Hx+v (1)