图像重构方法及装置制造方法及图纸

本发明专利技术公开一种图像重构方法及装置，能够对多数据源以及异构数据源图像进行图像重构。该方法包括：从预设的超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，其中，所述超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K‑SVD算法处理得到。

【技术实现步骤摘要】
图像重构方法及装置
本专利技术涉及图像重构领域，具体涉及一种图像重构方法及装置。
技术介绍
在日常生活与生产实践中，图像是应用最广泛的信息载体之一，如何用尽量少的信息高效的传输图像在信息爆炸的今天尤为重要。目前可以采用核方法进行图像重构，该方法通过将数据映射到高维特征空间进行特征提取从而进行聚类。但是这种单一核方法局限于对数据的某一特征进行有效提取，若一个样本含有多个特征，且遵循不同的核分布，此方法就不适用，所以说单一核在处理多数据源以及异构数据源的不足是越专利技术显。
技术实现思路
针对现有技术存在的不足和缺陷，本专利技术提供一种图像重构方法及装置。一方面，本专利技术实施例提出一种图像重构方法，包括：从预设的超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，其中，所述超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K-SVD算法处理得到。另一方面，本专利技术实施例提出一种图像重构装置，包括：重构单元，用于从预设的超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，其中，所述超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K-SVD算法处理得到。本专利技术实施例提供的图像重构方法及装置，利用预设的超完备字典，从该超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，该方案中使用的超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K-SVD算法处理得到，从而能够对多数据源以及异构数据源图像进行图像重构。附图说明图1为本专利技术图像重构方法一实施例的流程示意图；图2为本专利技术图像重构装置一实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参看图1，本实施例公开一种图像重构方法，包括：S1、从预设的超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，其中，所述超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K-SVD算法处理得到。本专利技术实施例提供的图像重构方法，利用预设的超完备字典，从该超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，该方案中使用的超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K-SVD算法处理得到，从而能够对多数据源以及异构数据源图像进行图像重构。在前述方法实施例的基础上，在所述从预设的超完备字典中获取待重构图像的稀疏表示之前，还可以包括如下的图中未示出的步骤：S10、对所述训练样本图像进行多核模糊C均值聚类，得到多个图像类；S11、对各个图像类进行K-SVD算法处理，得到所述各个图像类对应的字典；S12、将所述各个图像类对应的字典合并成所述超完备字典。在前述方法实施例的基础上，所述S10，可以包括如下的图中未示出的步骤：S100、初始化隶属度矩阵；S101、计算隶属度矩阵，计算公式为其中，m∈[1，∞)为加权指数，C为聚类中心的数量，uic为隶属度矩阵中的元素，表示所述训练样本图像中像素点xi属于第c个聚类中心vc的隶属度，ψ(x)＝w1ψ1(x)+w2ψ2(x)+…+wMψM(x)，ψ(x)为多个核函数ψk(x)k∈[1,2,…,M]的线性组合，wkk∈[1,2,…,M]为权重，M为大于1的整数，N为所述训练样本图像中像素点的数量，κk(xi,xj)＝ψk(xi)Tψk(xj)；S102、计算最新得到的隶属度矩阵U(t)与该最新得到的隶属度矩阵U(t)前一次得到的隶属度矩阵U(t-1)的差值的矩阵范数||U(t)-U(t-1)||，判断所述矩阵范数是否小于预设的数值，若小于所述数值，则执行步骤S103，否则，则执行步骤S101；S103、根据最终得到的隶属度矩阵以及该隶属度矩阵对应的聚类中心对所述训练样本图像进行聚类，得到多个图像类。下面，对本专利技术隶属度矩阵的推导过程以及K-SVD算法进行说明。对于多核模糊C均值算法，目标是找到目标函数最优化的权重w、隶属度U以及聚类中心V，从而对训练样本图像进行聚类。备注：核方法通过非线性映射将原始数据通过特征映射嵌入到新的特征空间从而发现数据之间的非线性关系。(1)首先设目标函数：其中：ψ(x)＝w1ψ1(x)+w2ψ2(x)+…+wMψM(x)，其中，vc指的是特征空间上的第c个聚类中心；W＝(w1,w2,...,wM)T代表权重向量；uic是隶属度矩阵U中的元素，表示所述训练样本图像中像素点xi属于第c个聚类中心vc的隶属度；V＝(v1,v2,...,vc)T。(2)最优化隶属度U可以通过给定权重和聚类中心发现最优的隶属度函数，用来表示数据和聚类中心之间的距离：相应的目标函数为：约束条件：可引入拉格朗日因子构造新的目标函数:对于隶属度，得到目标函数求极值的最优化条件：来求出uic的值。(3)最优化权重由以上公式可得：权重和聚类中心已知时，可得到最优的隶属度矩阵U。与上述分析方法类似，假定隶属度已知，找寻最优的聚类中心和权重，得到聚类中心关于目标函数求极值的最优化条件：当U给定时，最优的聚类中心可利用权重加以转换：其中指的是标准化隶属度：结合之前的讨论，聚类中心处于不同的特征空间，相应的维数不尽相同，比较分析聚类中心是不可能的。据上述公式，聚类中心可以通过转换得到，而在没有聚类中心的情况下可以得到隶属度矩阵和权重的，故只需着力找到最优权重从而得到隶属度矩阵即可，而聚类中心处于闭合解。根据聚类中心的计算公式进行转换：当隶属度函数已知时，即可得出相应的核函数。为了方便计算，可引入系数，将转化为：其中，目标函数可以转化为：当隶属度函数已知时，为了方便计算，引入相应的系数：其中：w1+w2+…+wM＝1,wk≥0，系数为：引进拉格朗日因子：所以，求得：结合：得到：最终，图像块Y被分成了C类以此基于内容来实现对图像块的分类。对于K-SVD算法，其处理过程包括稀疏编码阶段和训练更新字典阶段：(1)稀疏编码阶段:针对每一类图像块Yi,i＝1,...,C，对下述模型利用OMP算法求解稀疏表示系数向量Xi：上式中，T0表示稀疏表示系数向量中的最大差异度。(2)训练更新字典阶段：针对每一个样本分类Yi，借助K-SVD算法来各自训练对应该类样本的优化字典最后再将这些与优化字典合并构造超完备字典；具体步骤为：更新字典过程是更新原子及其稀疏向量的过程。假设固定Xi与字典Di中除原子dk以外的列，只考虑原子dk以及与它所对应的稀疏向量(表示由Xi组成的系数矩阵X的第k行)，那么残差可进一步改写成：上式将两个相乘的矩阵DX分解成k个秩为1的矩阵的和。按照假设，其中上式中的k-1项是固定的，剩下的这一项是待求解的；同时上式被分为两部分：一部分是残差项EK，表示从N个样本中除去采用了原子dk表示样本时所产生的残差；另一部分秩为1矩阵从而，极小化上式就归结为寻找dk与成来实现对残差项EK的最佳拟合，因此我们不妨对矩阵EK做SVD分解，选取最大奇异值及其对应的奇异向量来更新原子dk和稀疏向量重复(1)，(2)阶段，直至迭代结束本文档来自技高网...

【技术保护点】
一种图像重构方法，其特征在于，包括：从预设的超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，其中，所述超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K‑SVD算法处理得到。

【技术特征摘要】
1.一种图像重构方法，其特征在于，包括：从预设的超完备字典中获取待重构图像的稀疏表示，实现所述待重构图像的重构，其中，所述超完备字典通过依次对训练样本图像进行多核模糊C均值聚类、K-SVD算法处理得到。2.根据权利要求1所述的方法，其特征在于，在所述从预设的超完备字典中获取待重构图像的稀疏表示之前，还包括：S10、对所述训练样本图像进行多核模糊C均值聚类，得到多个图像类；S11、对各个图像类进行K-SVD算法处理，得到所述各个图像类对应的字典；S12、将所述各个图像类对应的字典合并成所述超完备字典。3.根据权利要求2所述的方法，其特征在于，所述S10，包括：S100、初始化隶属度矩阵；S101、计算隶属度矩阵，计算公式为其中，m∈[1，∞)为加权指数，C为聚类中心的数量，uic为隶属度矩阵中的元素，表示所述训练样本图像中像素点xi属于第c个聚类中心vc的隶属度，ψ(x)＝w1ψ1(x)+w2ψ2(x)+…+wMψM(x)，ψ(x)为多个核函数ψk(x)k∈[1,2,…,M]的线性组合，wkk∈[1,2,…,M]为权重，M为大于1的整数，N为所述训练样本图像中像素点的数量，κk(xi,xj)＝ψk(xi)Tψk(xj)；S102、计算最新得到的隶属度矩阵U(t)与该最新得到的隶属度矩阵U(t)前一次得到的隶属度矩阵U(t-1)的差值的矩阵范数||U(t)-U(t-1)||，判断所述矩阵范数是否小于预设的数值，若小于所述数值，则执行步骤S103，否则，则执行步骤S101；S103、根据最终得到的隶属度矩阵以及该隶属度矩阵对应的聚类中心对所述训练样本图像进行聚类，得到多个图像类。4.一种...

【专利技术属性】
技术研发人员：岳峻，朱华，李振波，曲海平，张志旺，贾世祥，官曙光，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：山东,37