[發明專利]基于多維度非局部統計本征的去馬賽克方法及系統

有效

• 申請號: 201911234638.0
• 申請日: 2019-12-05
• 公開（公告）號: CN110992266B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 邊麗蘅;王宇剛;張軍;曹先彬
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 石茵汀

1.一種基于多維度非局部統計本征的去馬賽克方法，其特征在于，包括以下步驟：

將場景透過預設濾波矩陣，得到測量數據，并根據預設維度對所述測量數據進行分離，得到多個子測量值；

將所述多個子測量值分別進行初始化估計，得到每個通道的預設圖像，并將所述每個通道的預設圖像進行組合，得到多維度的預設圖像組，所述多維度的預設圖像組既可以是三維的預設圖像組,也可以是四維的預設圖像組，其中,三維的預設圖像組包括但不限于同時間不同波段的預設圖像組合和同波段不同時間的預設圖像組合,四維的預設圖像組包括但不限于不同波段不同時間的預設圖像組合；

設定樣例圖像子塊，在所述預設圖像組中自適應地多維度查找與所述樣例圖像子塊具有結構相似的圖像子塊進行匹配，并將所述樣例圖像子塊和所述結構相似的圖像子塊進行組合，得到數據矩陣，同時，使用自適應算法決定下一次進行圖像子塊匹配的迭代次數，其中，自適應算法表達式為：

自適應算法表達式為：

其中，k表示下一次進行圖像子塊匹配的迭代次數；k_m表示當前的迭代次數；表示當前迭代中對目標圖像組的估計值；表示前一次迭代中對目標圖像組的估計值；

對真實測量數據和虛擬測量數據進行相似性約束，并聯合所述數據矩陣的低秩正則化約束，構建目標函數；對所述目標函數進行求解，得到目標圖像組的估計值；以及

將所述目標圖像組的估計值作為新預設圖像組，并循環迭代上述步驟至預設次數或算法收斂，得到目標去馬賽克圖像組。

2.根據權利要求1所述的基于多維度非局部統計本征的去馬賽克方法，其特征在于，所述初始化估計包括但不限于基于插值的去馬賽克算法或基于壓縮感知的去馬賽克算法，其中，所述基于插值的去馬賽克算法包括最近鄰插值法、雙線性插值法和自適應插值法，所述基于壓縮感知的馬賽克算法包括離散余弦變換下的壓縮感知方法、全變差最小化下的壓縮感知方法和基于廣義交替投影的全變差最小化下的壓縮感知方法。

3.根據權利要求1所述的基于多維度非局部統計本征的去馬賽克方法，其特征在于，在進行匹配過程前，按預設步長提取所述樣例圖像子塊并預設一個初值T作為衡量圖像子塊之間的相似度閾值，其中，當搜索范圍內的圖像子塊與所述樣例圖像子塊的相似度滿足T時，則所述圖像子塊被選為與所述樣例圖像子塊結構相似的圖像子塊。

4.根據權利要求3所述的基于多維度非局部統計本征的去馬賽克方法，其特征在于，所述相似度的度量方法包括但不限于歐氏距離、標準化歐氏距離、結構相似性指數以及任意加權組合。

5.根據權利要求1所述的基于多維度非局部統計本征的去馬賽克方法，其特征在于，所述在預設圖像組中查找與所述樣例圖像子塊具有相似結構的圖像子塊進行匹配中的搜索范圍為整個預設圖像組的多維度范圍以及非局部范圍，是否被選中為與所述樣例圖像子塊結構相似的圖像子塊僅取決于相似度是否滿足閾值要求。

6.根據權利要求1所述的基于多維度非局部統計本征的去馬賽克方法，其特征在于，所述數據矩陣的低秩正則化約束使用加權核范數代替核范數，以將原來的凸優化問題轉變成非凸優化問題，使所述低秩正則化約束精度提高。

7.根據權利要求1所述的基于多維度非局部統計本征的去馬賽克方法，其特征在于，求解所述目標函數時，引入輔助變量，使所述目標函數經過分解后，通過交替進行所述數據矩陣的低秩估計和所述目標圖像組的去馬賽克重建，得到對所述目標圖像組的估計值。

8.一種基于多維度非局部統計本征的去馬賽克系統，其特征在于，包括：

分離模塊，用于將場景透過預設濾波矩陣，得到總測量值，并根據預設維度對所述總測量值進行分離，得到多個子測量值；

初始化估計模塊，用于將所述多個子測量值分別進行初始化估計，得到每個通道的預設圖像，并將所述每個通道的預設圖像進行組合，得到多維度的預設圖像組，所述多維度的預設圖像組既可以是三維的預設圖像組,也可以是四維的預設圖像組，其中,三維的預設圖像組包括但不限于同時間不同波段的預設圖像組合和同波段不同時間的預設圖像組合,四維的預設圖像組包括但不限于不同波段不同時間的預設圖像組合；

匹配模塊，用于設定樣例圖像子塊，在所述預設圖像組中自適應地多維度查找與所述樣例圖像子塊具有相似結構地圖像子塊進行匹配，并將所述樣例圖像子塊和所述結構相似的圖像子塊進行組合，得到數據矩陣，同時，使用自適應算法決定下一次進行圖像子塊匹配的迭代次數，其中，自適應算法表達式為：

自適應算法表達式為：

其中，k表示下一次進行圖像子塊匹配的迭代次數；k_m表示當前的迭代次數；表示當前迭代中對目標圖像組的估計值；表示前一次迭代中對目標圖像組的估計值；

約束模塊，用于對真實測量數據和虛擬測量數據進行相似性約束，并聯合所述數據矩陣的低秩正則化約束，構建目標函數；

求解模塊，用于對所述目標函數進行求解，得到目標圖像組的估計值；以及

迭代模塊，用于將所述目標圖像組的估計值作為新預設圖像組，并循環迭代上述步驟至預設次數或算法收斂，得到目標去馬賽克圖像組。