一种基于凸优化的多张量视觉数据填充方法技术

本发明专利技术公开了一种基于凸优化的多张量视觉数据填充方法，包括以下步骤：从不同设备对同一事物同时采集的K个有缺失的数据集，将其用K个张量X1,X2,…,XK表示；初始化优化变量，并设置最大迭代次数和终止阈值ε；判断循环迭代次数是否小于最大迭代次数，如果满足条件，继续下一步，否则输出；对多张量X1,X2,…,XK采用整合拉普拉斯图和全变差的凸优化方法估算缺失值并利用交替方向乘子法优化算法框架对目标函数进行优化求解，重构新模型X1_new,X2_new,…XK_new；判断重构的K个张量X1_new,X2_new,…XK_new是否满足条件||Xk‑Xk_new||F＜ε*||Xk||F，ε>0,如果满足判断条件，则令Xk＝Xk_new输出；否则迭代次数加1返回步骤三。该方法从拉普拉斯图的角度来发现多张量数据间的共有关系，结合全变差保留视觉数据的分段平滑属性，提出凸优化的多张量填充的定义和公式。

A multi tensor visual data filling method based on convex optimization

The invention discloses a multi-tensor visual data filling method based on convex optimization, which comprises the following steps: K missing data sets collected simultaneously from different devices for the same thing are used with K tensors X1, X2,... Said, XK; initialization of variables, and set the maximum number of iterations and termination threshold epsilon; judgment iteration number is less than the maximum number of iterations, if the condition is satisfied, continue to the next step, otherwise the output of tensor X1, X2,... XK, the integration of map and the total variation of the convex optimization method to estimate the missing values and using the alternating direction method of multipliers optimization algorithm framework to optimize the objective function of Laplasse, reconstruction of a new model of X1_new, X2_new,... XK_new; determine the reconstructed K tensors X1_new, X2_new,... Whether the XK_new meets the conditions of ||Xk Xk_new||F < e *||Xk||F, e >0, if meet the conditions, the Xk = Xk_new output; otherwise, the number of iterations and 1 return to step three. From the perspective of Laplasse found between the tensor data sharing relationship, combining the total variation of preserving piecewise smooth properties of visual data, put forward the definition and formula of tensor filled convex optimization.

【技术实现步骤摘要】
一种基于凸优化的多张量视觉数据填充方法
本专利技术属于数据计算方法，具体是涉及一种基于凸优化的多张量视觉数据填充方法。
技术介绍
在我们生活中，高维数据无处不在，例如：彩色图像，视频，医疗图像等。我们在采集这些高维数据的过程中，可能由于设备损坏，不当措施等导致采集到的数据部分缺失。我们称利用已知元素来估计缺失元素的任务为填充任务。矩阵填充任务虽然在处理矩阵数据上取得了有效的成果，但由于处理这些高维数据时会丢失数据的空间结构，故表现不佳。近年来，单张量填充任务已有大量的研究，但在数据缺失率很大和处理多张量数据填充任务时，表现不佳。在多张量填充任务中，多个数据集使用不同设备同时来自于相同的物体，例如：四个相机设备同时对一个运动物体拍摄。现有的多张量填充模型大多数假设多个数据集之间存在共享因子。之后，Li等人在《Low-RankTensorCompletionwithTotalVariationforVisualDataInpainting》提出多张量共享邻接图CAG的填充模型。但是以上方法都是非凸的模型，不能达到全局最优解。
技术实现思路
本专利技术的目的是为了克服现有技术中的不足，提供一种本文档来自技高网...

【技术保护点】
1.一种基于凸优化的多张量视觉数据填充方法，其特征在于，包括以下步骤：步骤一，从不同设备对同一事物同时采集的K个有缺失的数据集，将其用K个张量

【技术特征摘要】
1.一种基于凸优化的多张量视觉数据填充方法，其特征在于，包括以下步骤：步骤一，从不同设备对同一事物同时采集的K个有缺失的数据集，将其用K个张量表示；步骤二，初始化优化变量，并设置最大迭代次数和终止阈值ε；步骤三，判断循环迭代次数是否小于最大迭代次数，如果满足条件，继续进行下一步，否则输出；步骤四，对多张量采用整合拉普拉斯图和全变差的凸优化方法估算缺失值并利用交替方向乘子法优化算法框架对目标函数进行优化求解，重构新模型步骤五，判断重构的K个张量是否满足条件ε&gt;0,如果满足判断条件，则令输出；否则迭代次数加1返回步骤三。2.根据权利要求1所述的一种基于凸优化的多张量视觉数据填充方法，其特征在于，步骤一中K个不完全张量通过公式(1)获得在共享模式上初始构建的拉普拉斯图L，其中邻接矩阵W采用向量的相似性度量矩阵进行计算:其中，Dk为Wk的度，t(k)表示一维数组存放每个张量共享的模式索引；表示第k个张量的第t(k)阶展开，μk,i表示第i行的均值。3.根据权利要求1所述的一种基于凸优化的多张量视觉数据填充方法，其特征在于，步骤四中整合拉普拉斯图和全变差的凸优化方法通过公式(2)获得目标函数；其中，引入的优化变量:Fk(n),均为第k个张量的n阶展开对应的优化变量，Fk(n)来代替全变差范数Rk(n)来代替待恢复数据(第k个待恢复张量第n阶展开矩阵)；是第k个优化张量在共同模式t(k)下的展开矩阵，即当且仅当n＝t(k)，是的转置；L代表拉普拉斯图；Rk(n)(i,i)＝1,Rk(n)...

【专利技术属性】
技术研发人员：高建超，石红，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12