The invention discloses an image completion method based on adaptive rank estimation Riemannian manifold optimization. On the basis of L1 norm regularized matrix complementation algorithm (L1MC), the penalty term of adaptive rank estimation and Riemannian manifold with fixed rank are introduced. The penalty term lambda R, the iterative optimization function f(R) and the rank of matrix determined by empirical formula are utilized.
【技术实现步骤摘要】
一种基于自适应秩估计黎曼流形优化的图像补全方法
本专利技术属于图像补全
,具体涉及一种基于自适应秩估计黎曼流形优化的图像补全方法。
技术介绍
图像补全技术愈发成为计算机视觉和图像处理的一个研究趋势,该技术旨在从缺失像素的周围结构和纹理信息中恢复和补全缺失像素,进而获得恢复图像。在实际应用中,图像的缺失、损坏和噪声污染一般不可避免。以图像的无线传输为例,即使图像在传输的过程中能避免失真,但为了增大储存空间利用率以及延长图像传感器的使用寿命等目的,完整图像也经常被人为采样和压缩。图像补全技术有着广泛的应用领域,例如文物历史图像恢复,医疗、航空和军事图像处理,电影后期制作和目标识别检测等领域。图像补全算法是根据有限的已知像素恢复其它未知像素,从而获得恢复图像的一种通用方法。现有的图像补全算法主要分为两类,具体为基于偏微分的算法和基于稀疏的算法。基于偏微分的算法是针对缺失像素建立偏微分方程,利用偏微分方程估计缺失像素,从而获得恢复图像的一类算法;基于稀疏的算法是将缺失图像转换于变换域,利用缺失图像在变换域的稀疏性来补全缺失像素的一类算法。有人提出了一种基于奇异值阈值(SVT)的图像补全算法,该算法有效地估计了缺失像素,但存在恢复图像边界模糊的缺陷。一种基于奇异值投影(SVP)的图像补全算法,该算法虽有效改善了恢复图像边界模糊的缺陷,但存在恢复图像高频部分辨率不佳的问题。有学者提出了一种基于压缩渲染(CR)预可视化的方法,压缩渲染可以在合适的时间内对图像的缺失像素进行可信重构,体现了压缩感知在图像补全
的优越性。随着黎曼流形理论研究的兴起,基于黎 ...
【技术保护点】
1.一种基于自适应秩估计黎曼流形优化的图像补全方法,其特征在于,包括以下步骤,步骤1,读入均匀随机采样的图像,根据该图像的物象信息得到对应像素矩阵
【技术特征摘要】
1.一种基于自适应秩估计黎曼流形优化的图像补全方法,其特征在于,包括以下步骤,步骤1,读入均匀随机采样的图像,根据该图像的物象信息得到对应像素矩阵和样本索引Ω;步骤2,搭建并训练卷积神经网络,利用经训练的卷积神经网络对S做预处理,得到预处理结果步骤3,将I平均分成大小为np×mp的Q个像素块矩阵,其中的第q个像素块矩阵记作Iq(q=1,2,3,...,Q),将I1作为下一步的输入;步骤4,将Iq列向量化作为低秩矩阵的第一列,利用欧式距离在I中分别取得与Iq等大相似的a个像素块,将该a个像素块分别列向量化排列为具有低秩特性矩阵Cq的第二到a+1列,预估Cq的秩为步骤5,引入关于自适应秩估计的惩罚项λR,利用自适应秩估计算法估计矩阵Cq的秩;步骤6,运用基于黎曼流形的优化算法获得对应Cq的重构矩阵Uq;步骤7,取下一个像素块Iq+1,重复步骤4-步骤6,直到获得Q个重构矩阵Uq(q=1,2,3,...,Q),仅对重构矩阵Uq的第一列向量按步骤4中的方法逆列向量化,获得重构像素块Iq*,将Iq*(q=1,2,3,...,Q)分别按次序重组获得完整像素矩阵,由物象关系得到恢复图像S*。2.如权利要求1所述一种基于自适应秩估计黎曼流形优化的图像补全方法,其特征在于,步骤2的搭建并训练卷积神经网络具体包括:步骤2.1,构建需要学习的卷积神经网络参数θ为:θ={Wi,Bi}其中,Wi为卷积核,Bi是偏置,i是迭代次数;步骤2.2,利用递推关系设置卷积神经网络卷积核Wi:Wi+1l=Wil+Δi+1其中,Δ为动量,l为卷积神经网络的层数;步骤2.3,设定动量标准传播递推关系为:其中,η为学习率,L为损失函数;步骤2.4,获取完整图像素材Ir及其对应的随机抽样的不完整图像Iy,利用n对素材训练卷积神经网络,卷积神经网络的预处理结果Fl(Iyi)为:其中,Wl是l层中维度为sl×sl、数量为nl的卷积核,Bl是第l层的偏置,为卷积算子,为sigmoid函数,将原图像素材记为Ri,不完整图像Iy的训练结果记为F(Iyi,θ),定义图像损失值为网络参数θ的函数L(θ):其中n代表训练样本数。3.如权利要求1所述一种基于自适应秩估计黎曼流形优化的图像补全方法,其特征在于,步骤4中构建具有低秩特性的矩阵和预估秩具体包括:步骤4.1,在I中选取与Iq欧氏距离最小的a个相似像素块,将此a+1个像素块分别按顺序排列为列向量cx(x=1,2,...,a+1),按列构建低秩矩阵步骤4.2,按照经验公式对构造的低秩矩阵Cq的秩赋予初值4.如权利要求1所述一种基于自适应秩估计黎曼流形优化的图像补全方法,其特征在于,步骤5包括如下步骤:步骤5.1,设定正则系数μ,λ,最大迭代数K,终止容错度为tol,构建与Cq等维度的零矩阵Zq和Xq,令PΩ(Xq)=PΩ(Cq),其中PΩ(Xq),PΩ(Cq)分别为矩阵Xq,Cq在Ω上的投影;步骤5.2,对低秩特性矩阵Cq做奇异值分解,得到奇异值矩阵为U,W,V,将U的第r列单位化并记为ur的初始值,将V的第...
【专利技术属性】
技术研发人员:刘静,刘涵,苏立玉,黄开宇,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。