基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法技术

本发明专利技术公开一种基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法，将数据驱动的正交稀疏字典构造方法扩展到多通道图像；针对每个通道构造离散正交稀疏字典，并假设它们的稀疏系数具有联合稀疏性；将多通道数据驱动的正交稀疏字典构造方案应用于彩色图像和深度图像的联合重建和增强。

Enhancement of color and depth maps based on orthogonal sparse dictionary and grouped sparse model

【技术实现步骤摘要】
基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法
本专利技术属于图像处理领域，尤其涉及一种基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法。
技术介绍
图像复原是成像科学中最重要的领域之一。它的主要任务是在成像、采集和通信过程中，从腐蚀/噪声图像中估计出无噪的原始图像，常用的图像复原方法是基于稀疏性的正则化方法，假设底层图像在某些适当设计的系统下具有良好的稀疏逼近。事实上，在过去的几十年中，稀疏逼近不仅已经成为图像复原的有力工具，而且在许多信号处理领域，如压缩和数据分析中也扮演着重要的角色。小波紧框架系统已被证明是稀疏逼近分段光滑图像的有效系统。因此，它在许多实际的图像复原问题中得到了广泛的应用。然而，来自不同场景的图像是如此的多样性，静态小波紧框架系统不能够完美地稀疏地逼近所有这些场景。ApplComputHarmonAnal(37:89–105,2014)提出了一种适应于特定输入图像的数据驱动紧框架，从而实现更好的稀疏近似。该数据驱动紧框架已成功地应用于图像去噪和CT图像重建。图像恢复稀疏近似的基础是大类图像具有良好稀疏逼近下的系统设计，有多种这样的系统可用。其中一些是使用线性独立原子构成的基，此系数维数被最小化。稀疏逼近的一类有代表性的基是正交小波基如Daubechies,I.:TenLecturesonWavelets,vol.61ofCBMS-NSFRegionalConferenceSeriesinAppliedMathematics.SocietyforIndustrialandAppliedMathematics,Philadelphia(1992)和Mallat,S.:Awavelettourofsignalprocessing,Elsevier/AcademicPress,Amsterdam,3rdedn.Thesparseway,WithcontributionsfromGabrielPeyré(2009),它仅用少量的非零小波系数就能非常方便地逼近分段光滑图像。这导致了正交小波在图像处理中的巨大成功。然而，基的线性无关性限制了基础系统中原子的数量。因此，基于基的稀疏逼近能力是有限的。由于这些原因，牺牲原子在基中的线性独立性的过完备系统在稀疏近似中的应用越来越广泛。当在保持Parseval恒等式的同时丢弃正交小波基中的线性独立性时，就会得到由扩张原理Daubechies,I.,Han,B.,Ron,A.,Shen,Z.:Framelets:MRA-basedconstructionsofwaveletframes.Appl.Comput.Harmon.Anal.14,1–46(2003)和Ron,A.,Shen,Z.:nesystemsinL2(Rd):theanalysisoftheanalysisoperator.J.Funct.Anal.148,408–447(1997)导出的过完备的小波紧框架系统。小波紧框架继承了正交小波基的许多优良性质，如高效的分解和重构算法，但对于分段光滑图像，它比正交小波基具有更强的稀疏逼近能力。小波紧框架现在广泛用于各种任务的图像恢复；例如，Cai,J.-F.,Chan,R.H.,Shen,L.,Shen,Z.:Convergenceanalysisoftightframeletapproachformissingdatarecovery.Adv.Comput.Math.31,87–113(2009)和Cai,J.-F.,Dong,B.,Osher,S.,Shen,Z.:Imagerestoration:totalvariation,waveletframes,andbeyond.J.Amer.Math.Soc.25,1033–1089(2012)，Cai,J.-F.,Osher,S.,Shen,Z.:LinearizedBregmaniterationsforframe-basedimagedeblurring.SIAMJ.ImagingSci.2,226–252(2009)。其他一些对图像有很好稀疏近似的过完备系统是X-let有Candès,E.J.,Donoho,D.L.:NewtightframesofcurveletsandoptimalrepresentationsofobjectswithpiecewiseC2singularities.Comm.PureAppl.Math.57,219–266(2004),Labate,D.,Lim,W.-Q.,Kutyniok,G.,Weiss,G.:Sparsemultidimensionalrepresentationusingshearlets,In:Optics&Photonics2005,InternationalSocietyforOpticsandPhotonics,pp.59140U–59140U,SanDiego,(2005)。来自真实应用程序的图像多种多样。不同的应用提供具有不同特征的图像。例如，由医学成像产生的图像相对于数字相机产生的图像来说包含相对少的结构。即使是在相同应用下，图像在不同实例中的表现却大不相同。用数码相机拍摄的人脸图像与街景完全不同。因此，对于实际问题，稀疏近似系统往往不能很好地执行。例如，众所周知，正交小波和小波紧框架都不能很好地处理具有束缚纹理结构的图像。基于此，Cai,J.-F.,Ji,H.,Shen,Z.,Ye,G.-B.:Data-driventightframeconstructionandimagedenoising.Appl.Comput.Harmon.Anal.37,89–105(2014)最近提出了一种从输入图像本身导出的离散紧框架系统，称为数据驱动的紧框架，以提供给输入图像。通过放松酉扩张原理Han,B.,Kutyniok,G.,Shen,Z.:Adaptivemultiresolutionanalysisstructuresandshearletsystems.SIAMJ.Numer.Anal.49,1921–1946(2011),Ron,A.,Shen,Z.:AffinesystemsinL2(Rd):theanalysisoftheanalysisoperator.J.Funct.Anal.148,408–447(1997)。利用0范数和酉矩阵约束的优化来获得数据驱动紧框架中的滤波，并用交替最小化方案进行优化。为了克服这一问题，Bao,C.,Ji,H.,Shen,Z.:Convergenceanalysisforiterativedata-driventightframeconstructionscheme,Appl.Comput.Harmon.Anal.(2014).doi:10.1016/j.acha.2014.06.007提出了数据驱动紧框架构造的非几何收敛算法，证明了数据驱紧动框架在图像去噪Cai,J.-F.,Ji,H.,Shen,Z.,Ye,G.-B.:Data-driventightframeconstructionandimagedenoising.Appl.Comput.Harm本文档来自技高网...

【技术保护点】
1.一种基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法其特征在于，包含以下步骤：步骤一、在彩色RGB信道和深度信道中分别加入噪声；步骤二、初始化多通道图像

【技术特征摘要】
1.一种基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法其特征在于，包含以下步骤：步骤一、在彩色RGB信道和深度信道中分别加入噪声；步骤二、初始化多通道图像即RGB信道和深度信道一同初始化到中，初始化滤波集对应第i个通道的正交稀疏字典；步骤三、令其中f(i)＝g(i)+η(i)，i＝1,2,3，η(i)为噪声，Λ是深度图像中观察像素的位置集合，PΛ是对角矩阵，其中对角线上的元素为0或1，若在观测位置集合Λ中存在该位置则为1，否则为0，是在Λ上对g(4)的重建；步骤四、利用多通道数据驱...

【专利技术属性】
技术研发人员：王瑾，朱青，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11