[發(fā)明專利]基于交疊組合稀疏高階全變分的圖像復(fù)原方法有效
| 申請(qǐng)?zhí)枺?/td> | 201910961785.1 | 申請(qǐng)日： | 2019-10-11 |
| 公開（公告）號(hào)： | CN110827212B | 公開（公告）日： | 2023-03-14 |
| 發(fā)明（設(shè)計(jì)）人： | 周先春;范夢(mèng)佳;閔龍;翟靖宇;徐新菊 | 申請(qǐng)（專利權(quán)）人： | 南京信息工程大學(xué) |
| 主分類號(hào)： | G06T5/00 | 分類號(hào)： | G06T5/00 |
| 代理公司： | 南京經(jīng)緯專利商標(biāo)代理有限公司 32200 | 代理人： | 許方 |
| 地址： | 210032 江蘇*** | 國(guó)省代碼： | 江蘇;32 |
| 權(quán)利要求書： | 查看更多 | 說(shuō)明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 交疊 組合 稀疏 高階全變分 圖像 復(fù)原 方法 | ||
本發(fā)明公開了一種基于交疊組合稀疏高階全變分的圖像復(fù)原方法，包括：S30，建立原始圖像的圖像復(fù)原混合模型；S40，獲取受約束的優(yōu)化問(wèn)題；S50，將受約束的優(yōu)化問(wèn)題分裂為單獨(dú)的子問(wèn)題，得到增廣拉格朗日函數(shù)；S60，采用第k個(gè)迭代過(guò)程中的拉格朗日乘子求解所述增廣拉格朗日函數(shù)的各個(gè)變量子問(wèn)題，得到第k個(gè)迭代過(guò)程中的目標(biāo)函數(shù)，進(jìn)而得到第k個(gè)迭代過(guò)程中的復(fù)原圖像、第一變量參數(shù)和第二變量參數(shù)；S70，根據(jù)復(fù)原圖像、第一變量參數(shù)和第二變量參數(shù)更新拉格朗日乘子，得到下一個(gè)迭代過(guò)程中的拉格朗日乘子；S80，判斷第k個(gè)迭代過(guò)程中的停止參數(shù)是否小于或等于停止閾值，若是，則確定復(fù)原圖像，若否，則設(shè)置k＝k+1，返回執(zhí)行步驟S60。
技術(shù)領(lǐng)域
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于交疊組合稀疏高階全變分的圖像復(fù)原方法。
背景技術(shù)
在信息化時(shí)代，圖像信息具有重要的意義。但圖像在采集、傳輸、加工和記錄等過(guò)程中，往往會(huì)受到噪聲污染，從而引起圖像的退化和質(zhì)量下降。因此，圖像復(fù)原是圖像處理中的一項(xiàng)重要研究?jī)?nèi)容。
傳統(tǒng)全變分復(fù)原后的圖像明顯存在階梯效應(yīng)，圖像邊緣等細(xì)節(jié)信息上不能得到很好的保存。在此基礎(chǔ)上，許多算法依次被提出以抑制階梯效應(yīng)。一種辦法是用更高階的全變分來(lái)代替?zhèn)鹘y(tǒng)全變分，如高階全變分,該方法雖然可以利用圖像的各個(gè)方向上的高階導(dǎo)數(shù)信息構(gòu)建模型，但是計(jì)算時(shí)長(zhǎng)卻大大增加。另一種抑制階梯效應(yīng)的辦法是將像素級(jí)別的梯度信息推廣至交疊組合稀疏梯度信息，如基于交疊組合稀疏正則項(xiàng)的全變分模型，該方法充分利用了像素點(diǎn)鄰域之間的梯度信息，在一定程度上減少了階梯狀偽影信息，然而仍然具有較大的計(jì)算量。可見(jiàn)，傳統(tǒng)的圖像復(fù)原方法存在計(jì)算量大的問(wèn)題，容易影響圖像復(fù)原的效率。
發(fā)明內(nèi)容
針對(duì)以上問(wèn)題，本發(fā)明提出一種基于交疊組合稀疏高階全變分的圖像復(fù)原方法。
為實(shí)現(xiàn)本發(fā)明的目的，提供一種基于交疊組合稀疏高階全變分的圖像復(fù)原方法，包括如下步驟：
S30，建立原始圖像對(duì)應(yīng)的圖像復(fù)原混合模型；
S40，采用第一輔助變量表征所述圖像復(fù)原混合模型中模糊帶噪圖像在單位向量方向上的n階方向?qū)?shù)，采用第二輔助變量表征所述圖像復(fù)原混合模型中的原始圖像，得到受約束的優(yōu)化問(wèn)題；
S50，采用交替方向乘子算法將所述受約束的優(yōu)化問(wèn)題分裂為單獨(dú)的子問(wèn)題，得到增廣拉格朗日函數(shù)；
S60，采用第k個(gè)迭代過(guò)程中的拉格朗日乘子求解所述增廣拉格朗日函數(shù)的各個(gè)變量子問(wèn)題，得到第k個(gè)迭代過(guò)程中的多個(gè)目標(biāo)函數(shù)，求解第k個(gè)迭代過(guò)程中的目標(biāo)函數(shù)得到第k個(gè)迭代過(guò)程中的復(fù)原圖像、第一輔助變量和第二輔助變量；
S70，根據(jù)第k個(gè)迭代過(guò)程中的復(fù)原圖像、第一輔助變量和第二輔助變量更新拉格朗日乘子，得到下一個(gè)迭代過(guò)程中的拉格朗日乘子；
S80，判斷第k個(gè)迭代過(guò)程中的停止參數(shù)是否小于或等于停止閾值，若是，則根據(jù)第k個(gè)迭代過(guò)程中的復(fù)原圖像確定所述原始圖像的復(fù)原圖像，若否，則設(shè)置k＝k+1，返回執(zhí)行步驟S60。
在其中一個(gè)實(shí)施例中，在建立原始圖像對(duì)應(yīng)的圖像復(fù)原混合模型之前，還包括：
S10，輸入原始圖像；
S20，設(shè)置初始化參數(shù)。
在其中一個(gè)實(shí)施例中，所述圖像復(fù)原混合模型包括：
其中，u表示原始圖像，f表示模糊帶噪的退化圖像，H表示由點(diǎn)擴(kuò)散函數(shù)構(gòu)造的模糊矩陣，De,nu表示模糊帶噪圖像在單位向量e＝(ex,ey)方向上的n階方向?qū)?shù)，Tc(·)代表集合C上的一個(gè)投影運(yùn)算符，代表交疊組合稀疏函數(shù)，λ表示正則化參數(shù)，表示矩陣的L2范數(shù)，符號(hào)min表示求最小值。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于南京信息工程大學(xué)，未經(jīng)南京信息工程大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購(gòu)買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請(qǐng)聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910961785.1/2.html，轉(zhuǎn)載請(qǐng)聲明來(lái)源鉆瓜專利網(wǎng)。
