一种基于多尺度自相似性与共形约束的图像复原方法技术

本发明专利技术涉及一种基于多尺度自相似性与共形约束的图像复原方法，属于图像处理领域。该方法包括：S1：输入训练好的GMM，用最大期望算法训练GMM，训练集为BSD500；S2：输入源图像，初始化退化图像；S3：将退化后的图像分块，通过GMM进行图像多尺度相似块分类；S4：计算每类图像块邻居间与其对应的稀疏系数在低维空间几何角度的比例，并找出最大共形比例；S5：通过图像整体稀疏系数矩阵的低秩性求得稀疏系数矩阵；S6：在稀疏表示模型下，构建多尺度相似模块与共形约束的目标函数；S7：利用ADMM求解目标函数，输出复原图像。本发明专利技术利用马氏距离度量多尺度相似块，充分挖掘图像潜在信息，使得相似块分类结果更准确。

An Image Restoration Method Based on Multi-scale Self-similarity and Conformal Constraints

The invention relates to an image restoration method based on multi-scale self-similarity and conformal constraints, belonging to the field of image processing. The method includes: S1: input trained GMM, train GMM with maximum expectation algorithm, training set is BSD500; S2: input source image, initialize degraded image; S3: divide degraded image into blocks and classify image multi-scale similar blocks by GMM; S4: calculate the proportion of sparse coefficients between neighbors of each kind of image block and their corresponding geometric angles in low-dimensional space, and find out the maximum. Conformal proportion; S5: The sparse coefficient matrix is obtained by the low rank of the whole sparse coefficient matrix of the image; S6: Under the sparse representation model, the object function of multi-scale similar module and conformal constraint is constructed; S7: The object function is solved by ADMM, and the restored image is output. The method utilizes Mahalanobis distance to measure multi-scale similar blocks, fully excavates potential information of images, and makes the classification result of similar blocks more accurate.

【技术实现步骤摘要】
一种基于多尺度自相似性与共形约束的图像复原方法
本专利技术属于图像处理
，涉及一种基于多尺度自相似性与共形约束的图像复原方法。
技术介绍
图像复原旨在从退化图像重建出高质量图像。自然图像在拍摄、传输、接收的过程中由于硬件设备自身限制和环境中的噪声，导致自然图像呈现的视觉效果不理想，所呈现的图像一般被模糊和噪声污染，且难以获得高质量图像，不能满足实际生活中对图像的呈现效果。因此图像复原技术是非常有必要的，从退化图像中复原出细节纹理清晰的图像在机器视觉领域有广泛的应用，如医学成像、遥感图像、视频监控与娱乐产业等。根据图像退化模型可知，图像复原问题的关键在于：有效的图像先验信息的获取和使用。早期的图像复原方法是基于稀疏表示进行复原，但是由于该方法没有利用图像自身结构信息，复原图像具有平滑的边缘和伪影，视觉效果不好。随着对图像自身信息的挖掘，基于非局部自相似性的图像复原成为研究的重点。这种方法利用的图像相似性为局部先验信息，加入正则化进行高质量图像复原，但该方法具有局限性，没有考虑图像全局结构，求解时会陷入局部最优。这些算法虽然能有一定的视觉效果，但都具有局限性，没有很好的获取、利用图本文档来自技高网...

【技术保护点】
1.一种基于多尺度自相似性与共形约束的图像复原方法，其特征在于，该方法具体包括以下步骤：S1：输入训练好的GMM，用最大期望(Expectation‑Maximum,EM)算法训练GMM，训练集为BSD500；S2：输入源图像，由模糊、噪声和下采样算子得到退化图像；S3：将退化后的图像分块，通过GMM进行图像多尺度相似块分类；S4：计算每类图像块邻居间与其对应的稀疏系数在低维空间几何角度的比例，并找出最大共形比例；S5：通过图像整体稀疏系数矩阵的低秩性求得稀疏系数矩阵；S6：在稀疏表示模型下，构建多尺度相似模块与共形约束的目标函数；S7：利用交替方向乘子算法(Alternating Direc...

【技术特征摘要】
1.一种基于多尺度自相似性与共形约束的图像复原方法，其特征在于，该方法具体包括以下步骤：S1：输入训练好的GMM，用最大期望(Expectation-Maximum,EM)算法训练GMM，训练集为BSD500；S2：输入源图像，由模糊、噪声和下采样算子得到退化图像；S3：将退化后的图像分块，通过GMM进行图像多尺度相似块分类；S4：计算每类图像块邻居间与其对应的稀疏系数在低维空间几何角度的比例，并找出最大共形比例；S5：通过图像整体稀疏系数矩阵的低秩性求得稀疏系数矩阵；S6：在稀疏表示模型下，构建多尺度相似模块与共形约束的目标函数；S7：利用交替方向乘子算法(AlternatingDirectionMethodofMultipliers,ADMM)求解目标函数，迭代至算法收敛，输出复原图像。2.根据权利要求1所述的一种基于多尺度自相似性与共形约束的图像复原方法，其特征在于，所述步骤S2中，所述退化图像由下式所得：y＝Hx+v(1)其中，H为退化矩阵，x为原始图像，v为噪声，y为退化后图像。3.根据权利要求1所述的一种基于多尺度自相似性与共形约束的图像复原方法，其特征在于，所述步骤S3具体包括：假定图像块xi的结构来自K个低维子空间，因此给定图像块的概率被定义为K个高斯类别的加权和：其中Θ＝(ω1,…,ωK,θ1,…,θK)，ωk为图像块xi在第k类中的权重，θk为pk的高斯密度函数，这里的负指数就是xi到中心μk的马氏距离，c是标准化常数；给定图像x，对其进行多尺度重叠分块，多尺度特性体现在分块时的步长不同，由xi＝Rix获得图像块，Ri是从图像x中提取第i个图像块的提取矩阵；提取的图像块构成一个图像块集合，利用GMM求得每个图像块的分类类别。4.根据权利要求1所述的一种基于多尺度自相似性与共形约束的图像复原方法，其特征在于，所述步骤S4具体包括：假定图像块xi和与其同类即相似图像块xj和xk，它们所对应的嵌入空间的映射分别为αi、αj和αk；为了实现共形映射，由xi、xj和xk形成的三角形似于由αi、αj和αk形成的三角形，表示为：其中，si表示共形的比...

【专利技术属性】
技术研发人员：魏瑶瑶，王诗言，杨洪亮，曾茜，郑敏，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50