一种基于多元结构的图像复原方法技术

本发明专利技术涉及一种基于多元结构的图像复原方法，本发明专利技术包括两个阶段：(1)采用K均值方法对训练样本进行聚类，采用主分量分析法训练得到K类主分量分析子字典；(2)结合信号稀疏表示，在图像复原模型中引入多元结构，包括局部结构、非局部结构和边缘结构作为模型的约束项，建立图像稀疏表示系数的最优模型，求解表示系数并由结合子字典重构图像。本发明专利技术有益的效果：本发明专利技术采用多元结构作为约束应用于图像复原模型，提高了复原图像边缘细节处的重建结果。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及图像复原的方法，更具体说，它涉及一种基于 多元结构的图像复原方法。
技术介绍
图像在传输、处理、记录等过程中，由于模糊、下采样、噪声等影响，会使图像质量 下降。图像质量下降的过程，称之为图像退化。 图像退化模型可以表示为： Y = SBX+n 上式中，X为原始高质量图像，B为模糊算子，S是下采样矩阵，η是加性高斯白噪 声，Y为退化图像。图像复原就是根据退化图像Y求解未知高质量图像X的过程，是图像退 化过程的逆过程。I表示单位矩阵，当S = B = I时，求解高质量图像X的过程就成为图像 去噪过程；当S = I，B为模糊算子时，上述问题就成为图像去模糊；当S为下采样矩阵，B为 模糊算子时，上述问题就成为图像超分辨率问题。 图像复原是指从低质量图像中重建出高质量图像的过程，该过程是一个病态反问 题，引入图像先验知识有助于求解该问题。图像的一个重要先验知识是图像具有局部自相 似性，但是它仅仅分析了与观测像素相近区域的像素点，忽略了与观测像素相距较远区域 内像素的相似性。图像边缘信息是高质量图像的重要组成部分，模糊后的图像和低分辨率 图像丢失的主要信息之一是边缘，因此重构出图像的边缘细节有助于提高图像质量。
技术实现思路
本专利技术的目的是克服现有技术中的不足，而提供一种基于多元结构的图像复原方 法，整体上分为两个阶段：字典训练阶段和图像重建阶段，训练阶段离线进行，重建阶段利 用训练得到的字典和自然图像的多元结构先验信息，包括图像局部结构、非局部结构和边 缘结构信息，重建出高质量的图像。 本专利技术的目的是通过以下技术方案实现的。这种基于多元结构的图像复原方法， 该方法包括以下各步骤： 步骤1 :训练K类主分量分析子字典，将训练样本图像进行分块处理，分成大小为的相互重叠图像子块并向量化后表示为Xie RP。进一步步骤如下： 步骤101:对图像子块进行筛选，获得标准差大于等于A的子块记为X = 〇 步骤102 :对图像子块进行高通滤波，提取图像子块的高频信息并作为训练样本， 获得的子块记为. 步骤103 :对输入的M个图像子块进行K均值聚类，采用主分量分析法为每一类训 练一个主分量分析子字典，得到K个类中心和子字典，分别记为y m、C>m，m = 1…K。 步骤2 :图像复原重建，图像的复原重建模型表示为： 其中，W为局部权值矩阵，V为非局部权值矩阵，&表示初始高质量图像，与图像X 具有相同尺寸，E( ·)表示边缘结构提取操作符，γ、Tl、〇为约束系数。 图像的局部相似性表示：图像窗口的中心像 素点可由其窗口内邻域像素点加权预测得到。采用转向核回归方法对图像X求解局部权值 矩阵，具体是： 其中，det( ·)表示求行列式，分别表示窗口中心像素点\与邻域像 素点Xj的位置，T表示转置。邻域像素构成的向量Wl j表示每个窗口中心像素点 X1与邻域像素点L的结构相似性。Q i表示其对称协方差矩阵，h为全局平滑参数，u为数据 样本的局部密度。窗口的权值向量图像列向量形 式表示为X e rNX1，则局部权值矩阵Xs 表示Xs的邻域，w s表示X s为中心像素的窗口的权值向量。 图像自相似性仅仅分析了与观测像素相近区域的像素点，实际上与观测像素相距 较远区域内的像素也具有相似的特征。非局部相似性的基本思想是：基于图像块匹配方法， 在图像中搜索与目标块相似的块，并对相似的块进行加权，最后求解得到非局部权值矩阵 V。 低质量图像相对于高质量图像，缺失了图像高频信息，而图像高频信息形成了图 像的边缘和细节。引入边缘结构约束项，直接采用重建图像和初始化高质量图像的差值近似表示丢失的边缘信息，式（1)写成： 图像可以展开成字典表示形式： 式⑷中，民为子块提取矩阵，图像X的第i个块X R i = 1，2,…Nl，Nl为 图像块总数。Φ表示子字典集合，ΦΜ表示子块X1WK个子字典中所选择的最佳子字典， 选择原则是选择与X1有最小欧氏距离的类中心μ Cti表示子块^的稀疏表示系数矢量， α为稀疏表示系数集合。式（3)结合稀疏表示系数的稀疏性，可以描述为： 式（5)可重新写成： 图像复原算法如下： 输入：退化图像Y，模糊算子B，下采样矩阵S，加性高斯白噪声n，主分量分析子字 典集合φ，约束系数μ，γ，η，σ，λ，迭代次数k = 0,最大迭代次数max。 1).根据输入的低质量图像Y，求解初始高质量图像X°。对图像超分辨率重建，X° 为输入低分辨率图像Y的插值结果；对去模糊，χ°为输入模糊图像Y。令L= X °。 2).根据图像X°，求解局部权值矩阵W和非局部权值矩阵V的初值。 3) ·当 k < max 时： 1采用梯度下降法更新图像。 2.利用图像子块提取矩阵R1对图像进行分块，再根据主分量分析子字典原子之间 的正交性求解稀疏表示系I 3.根据约束系数λ，对：采用软阈值法获得稀疏表示系· 4.重建图像 5. k = k+Ι 〇 6.当k为C的整数倍时，根据图像炒重新计算局部权值矩阵W和非局部权值矩阵 V。 7.当时，结束循环，或者k>max结束循环。 输出：高质量图儒 本专利技术具有以下优点：本专利技术结合图像的多元结构先验信息，包括图像局部结构、 非局部结构和边缘结构信息，将其作为图像复原模型的约束项，结合图像稀疏表示系数的 稀疏性求解表示系数并用于图像重建，提高了复原图像的重建质量，特别是图像边缘细节 处的重建结果。【附图说明】 图1是本专利技术的步骤流程图。【具体实施方式】 下面结合实施例对本专利技术做进一步描述。 本专利技术所述的这种基于多元结构的图像复原方法，该方法包括以下各步骤： 步骤（1)训练主成分分析子字典，具体是： 将训练样本图像进行分块处理，分成大小为的相互重叠的图像子 块\^ Rp，重叠像素为6X7。首先，对图像子块进行筛选，获得标准差大于等于△= 16的 图像子块记为X = 。其次，对图像子块进行高通滤波， 提取图像当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于多元结构的图像复原方法，其特征在于：该方法包括以下各步骤：步骤1：训练K类主分量分析子字典，将训练样本图像进行分块处理，分成大小为的相互重叠图像子块并向量化后表示为xi∈Rp，进一步包括：步骤101：对图像子块进行筛选，获得标准差大于等于Δ的子块记为X＝[x1,x2,…xM]；步骤102：对图像子块进行高通滤波，提取图像子块的高频信息并作为训练样本，获得的子块记为Xh=x1h,x2h,...,xMh,;]]>步骤103：对输入的M个图像子块进行K均值聚类，采用主分量分析法为每一类训练一个主分量分析子字典，得到K个类中心和子字典，分别记为μm、Φm，m＝1…K；步骤2：图像复原重建，进一步包括：步骤201：建立图像复原重建模型，所述模型表示为：X^=argminX||Y-SBX||22+γ||(I-W)X||22+η||(I-V)X||22+σ||E(XL)-E(X)||22---(1)]]>其中，W为局部权值矩阵，V为非局部权值矩阵，XL表示初始高质量图像，与图像X具有相同尺寸,E(·)表示边缘结构提取操作符，γ、η、σ为约束系数；步骤202：采用转向核回归方法对图像X，图像中大小为求解局部权值矩阵，具体是：wij=det(Qi)2πh2uexp(-(x·i-x·j)TQi(x·i-x·j)2h2u)---(2)]]>其中，det(·)表示求行列式，分别表示窗口中心像素点xi与邻域像素点xj的位置,T表示转置；邻域像素构成的向量wij表示每个窗口中心像素点xi与邻域像素点xj的结构相似性；Qi表示其对称协方差矩阵，h为全局平滑参数，u为数据样本的局部密度；窗口的权值向量xj∈χi；图像列向量形式表示为X∈RN×1，则局部权值矩阵W∈RN×N，其中W(s,t)=wst,xt∉χs,wst∈ws0,xt∉χs,]]>χs表示xs的邻域，ws表示xs为中心像素的窗口的权值向量；步骤3：引入边缘结构约束项，直接采用重建图像和初始化高质量图像的差值近似表示丢失的边缘信息，式(1)写成：X^=argminX||Y-SBX||22+γ||(I-W)X||22+η||(I-V)X||22+σ||XL-X||22---(3)]]>图像展开成字典表示形式：其中，Ri为子块提取矩阵，图像X的第i个块xi＝RiX，i＝1,2,…N1，N1为图像块总数；Φ表示子字典集合，Φmi表示子块xi从K个子字典中所选择的最佳子字典，选择原则是选择与xi有最小欧氏距离的类中心μmi；αi表示子块xi的稀疏表示系数矢量，α为稀疏表示系数集合；式(3)结合稀疏表示系数的稀疏性，转化为：式(5)重新写成：令y=Y00σXL,H=SBγ(I-W)η(I-V)σI,]]>式(6)可表示为：重建图像则为...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈华华，吴志坚，严军荣，
申请(专利权)人：三维通信股份有限公司，
类型：发明
国别省市：浙江;33