非局部低秩转换域与全连接张量分解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了非局部低秩转换域与全连接张量分解图像重构方法及装置，包括：S1，输入待修复图像；S2，构建张量分解模型，包括：S2.1，分割输入图像，得到非局部张量块；S2.2，将非局部张量块引入B样条转换域，得到非局部张量块的转换域形式；S2.3，通过非局部张量块，构造非局部相似张量块组；S2.4，联合全连接张量分解，构造全连接张量分解因子；S2.5，构建低秩张量补全模型，并根据S2.1

【技术实现步骤摘要】
非局部低秩转换域与全连接张量分解图像重构方法及装置


[0001]本专利技术涉及图像处理
，尤其是涉及基于非局部低秩转换域与全连接张量分解的图像重构方法及装置。

技术介绍

[0002]由于制造工艺、器件老化或者传输错误等因素影响，高维图像数据在捕获和生成过程中，存在像素丢失情况。低秩张量补全（Low Rank Tensor Completion，LRTC）是根据数据集的低秩性来恢复出丢失元素。矩阵补全是一种二阶张量补全方法，通常假设矩阵是低秩的，以此为约束，使给定的不完全矩阵和估计矩阵的差值最小化。但当待分析数据具有复杂的结构时，用矩阵描述高维数据存在维数灾难、过拟合、数据结构信息不完全等问题。因此，张量作为矩阵高阶推广能够更好的表示高阶数据复杂的本质结构。其中，低秩表示是一种极具应用前景的方法，其广泛应用在信号处理和计算机视觉领域，如图像修复、分类，视频分割，人脸识别等。
[0003]图像修复是图像处理领域的一个重要研究内容，它可以表述为一个缺失值估计问题，其核心问题在于如何建立已知元素和未知元素之间的关系。近年来，众多学者提出了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非局部低秩转换域与全连接张量分解图像重构方法，其特征在于包括如下步骤：S1，输入待修复图像；S2，构建非局部低秩转换域与全连接张量分解模型，包括如下步骤：S2.1，分割输入图像，得到非局部张量块；S2.2，将非局部张量块引入B样条转换域，得到非局部张量块的转换域形式；S2.3，通过非局部张量块，构造非局部相似张量块组；S2.4，联合全连接张量分解，构造全连接张量分解因子；S2.5，构建低秩张量补全模型，并根据S2.1
‑
2.4进行优化，得到基于非局部低秩转换域与全连接张量分解模型，分解模型是将输入待修复图像和输出修复图像，分别进行图像分割、B样条转换域引入和相似张量块分组，得到待修复图像张量块组和修复图像张量块组，通过待修复图像张量块组与修复图像张量块组，结合张量分解因子计算损失，得到损失最小时的修复图像张量块组；S3，构建图像修复模型，获取待修复图像，通过S2构建好的所述张量分解模型，将得到的所述修复图像张量块组，通过逆向域转换和张量重组得到修复后的图像。2.根据权利要求1所述的非局部低秩转换域与全连接张量分解图像重构方法，其特征在于所述S2.1中的非局部张量块表示为，L=(M
‑
d
M
+1)(N
‑
d
W
+1)表示将原始输入图像分割成L个非局部张量块，d
M
表示非局部张量块的长，d
W
表示非局部张量块的宽。3.根据权利要求1所述的非局部低秩转换域与全连接张量分解图像重构方法，其特征在于所述S2.2中将非局部张量块经维度模展开后，结合B样条转换域算子，进行折叠操作，得到非局部张量块的转换域形式。4.根据权利要求1所述的非局部低秩转换域与全连接张量分解图像重构方法，其特征在于所述S2.3中将非局部张量块聚类为K个非局部相似张量块组。5.根据权利要求1所述的非局部低秩转换域与全连接张量分解图像重构方法，其特征在于所述S2.4中采用全连接张量分解进一步表示非局部相似张量块，将转换域形式的非局部张量块，根据张量维度进行分解，通过预定义的秩和张量分解因子进行分解，得到转换域形式的非局部张量块与张量分解因子的对应关系。6.根据权利要求1所述的非局部低秩转换域与全连接张量分解图像重构方法，其特征在于所述S1中确定图像待修复区域，将图像中的像素点分为已知点和未知点，已知点是...

【专利技术属性】
技术研发人员：鲍虎军，杨非，华炜，秦梦洁，傅家庆，郑建炜，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：