基于低秩张量环分解与高阶结构化与图像修复方法技术

基于低秩张量环分解与高阶结构化与图像修复方法，包括以下步骤：1)输入待修复图像

【技术实现步骤摘要】
基于低秩张量环分解与高阶结构化与图像修复方法
本专利技术涉及一种基于低秩张量环分解与高阶结构化与图像修复方法。
技术介绍
数字图像是一种客观对象的表达方法，其包含有关所描述的对象的信息，并且是重要的信息源。但是，通常在图像数据采集的过程中会受到各种外界因素的影响而导致视觉质量较差，例如，硬件设备损坏、光照和电磁波干扰等影响。在此情况下，也可能因为设备或者时间限制，无法直接重新获取相关图像数据。因此，对于目前所存在的各种模糊、低分辨率、部分像素丢失等图像进行修复以获得高质量视觉数据是一个具有实际应用价值的研究内容。图像修复是典型的图像处理不适定问题，它可以表述为一个缺失值估计问题。缺失值估计的核心问题在于如何建立已知元素和未知元素之间的关系，而添加其他先验信息可以有效的解决图像修复问题，例如，局部平滑先验，非局部自相似先验，稀疏先验，低秩先验和稀疏梯度先验等。在较早的研究中，已经有许多用于图像修复的方法，包括一些经典的非线性滤波器、小波变换、基于块匹配的算法、稀疏表示、深度学习方法等。使用中值滤波器是该领域最简单的方法之一，中值滤波器使用本文档来自技高网...

【技术保护点】
1.基于低秩张量环分解与高阶结构化与图像修复方法，包括如下步骤：/n步骤1)，输入待修复图像

【技术特征摘要】
1.基于低秩张量环分解与高阶结构化与图像修复方法，包括如下步骤：
步骤1)，输入待修复图像确定图像待修复区域并对其进行分块操作，图像中的像素分为已知点和未知点，所述已知点是图像中像素不为0的点，未知点是图像中像素为0的点；图像中所有未知点组成集合Ω；
步骤2)构建低秩张量环分解与高阶汉克结构化模型；
步骤3)结合步骤2)构建的图像修复模型，对彩色图像进行修复，最终重构输出高质量视觉数据图像


2.如权利要求1所述的一种基于低秩张量环分解与高阶结构化与图像修复方法，其特征在于：步骤2)具体包括：
(2-1)低秩张量环图像修复模型定义如下：



式中，表示输入待修复图像的第i个分块；表示修复后图像的一个分块；表示的第n个张量环分解因子；表示Frobenius范数；其中1表示可观察的像素，0表示缺失的像素；
(2-2)高阶汉克结构化图像修复模型定义如下：



式中，定义为



其中fold(I,τ):通过fold(I,τ)可将输入的N阶张量构造成一个2N阶张量，该操作可以看作多维线性复制和多维的折叠操作；其中是一个复制矩阵，即包含多个单位矩阵的矩阵，具体形式为：





3.如权利要求1所述的一种基于低秩张量环分解与高阶结构化与图像修复方法，其特征在于：步骤3)具体包括：
(3-1)构建低秩张量环分解与高阶汉克结构化模型构建图像修复模型，其定义如下



式中，张量环的秩R是预定义的，即...

【专利技术属性】
技术研发人员：郑建炜，秦梦洁，陈婉君，徐宏辉，黄娟娟，陶星朋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33