一种基于加权混合图拉普拉斯的多维视觉数据修复方法技术

本发明专利技术公开了一种加权混合图拉普拉斯的多维视觉数据修复方法，包括计算每个像素点与其周围四个邻接像素点的相似度，构建一阶局部的拉普拉斯算子，计算其中单个像素点与非局部邻接像素点的相似度，构建一阶非局部拉普拉斯算子，由一阶局部拉普拉斯算子和一阶非局部拉普拉斯算子联合相加得到一阶拉普拉斯算子，将一阶拉普拉斯算子泛化至二阶形式得到二阶拉普拉斯算子，分别对一阶拉普拉斯算子和二阶拉普拉斯算子进行加权联合相加，得到混合图拉普拉斯算子，采用混合图拉普拉斯算子构建多维视觉数据的修复模型。本发明专利技术对多维视觉数据进行缺失数据修复，通过对传统图拉普拉斯正则项的改进。改进。改进。

【技术实现步骤摘要】
一种基于加权混合图拉普拉斯的多维视觉数据修复方法


[0001]本专利技术属于多维视觉数据领域，具体涉及一种基于加权混合图拉普拉斯的多维视觉数据修复方法。

技术介绍

[0002]多维视觉数据的完整性是其广泛使用的基础。然而，由于实际环境的限制，例如成像条件差、采集设备故障和带宽限制等，自然视觉数据可能不完整或严重受损。这种从不完整的观测数据中恢复潜在完整数据的任务，可归类为多维视觉数据修复问题，其关键工作取决于正确描述隐藏在多维数据中的内在联系，即挖掘数据中的先验信息，例如光滑性、低秩性、非局部相似性等等。
[0003]已有研究证明，仅利用单种先验知识不足以涵盖所有数据信息，例如低秩属性主要关注全局结构，很少关注局部或非局部信息。已有的基于图理论的多种正则项只关注非局部特征。局部结构和长期相关性都缺乏考虑。
[0004]为了继承以往模型的优点并弥补相应的不足，本研究结合视觉数据中隐藏的多种属性，提出了一种基于加权混合图拉普拉斯多维视觉数据修复方法。与之前的技术相比，本文提出的技术方法所重构的视觉数据元素内部具有更丰富的相关性，并更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权混合图拉普拉斯的多维视觉数据修复方法，其特征在于，所述基于加权混合图拉普拉斯的多维视觉数据修复方法，包括：获取观测到的多维视觉数据，计算其中单个像素点与其周围四个邻接像素点的相似度，构建一阶局部拉普拉斯算子，计算其中单个像素点与非局部邻接像素点的相似度，构建一阶非局部拉普拉斯算子，由一阶局部拉普拉斯算子和一阶非局部拉普拉斯算子联合相加得到一阶拉普拉斯算子；将一阶拉普拉斯算子拆解成标记集和非标记集的和，对其中标记集进行加权，得到一阶加权图拉普拉斯算子，将一阶拉普拉斯算子泛化至二阶形式得到二阶拉普拉斯算子，将二阶拉普拉斯算子拆解成标记集和非标记集的和，对其中标记集进行加权，得到二阶加权图拉普拉斯算子，将一阶加权图拉普拉斯算子和二阶加权图拉普拉斯算子联合相加，得到混合图拉普拉斯算子；采用混合图拉普拉斯算子构建多维视觉数据的修复模型，并使用变分方法优化，用广义极小残差法迭代求解直到稳定，获得修复的多维视觉数据。2.根据权利要求1所述的基于加权混合图拉普拉斯的多维视觉数据修复方法，其特征在于，所述计算其中单个像素点与其周围四个邻接像素点的相似度，构建一阶局部的拉普拉斯算子，包括：对于观测到的多维视觉数据中的每一个点v
x
，对其周围四个邻接点使用以下公式进行相似度计算：其中N1、N2和B分别为光谱图像的长、宽和光谱数量，w
l
(x,y)为点v
x
与局部邻接点v
y
之间的相似度，τ
l
是一个参数，把所有的w
l
(x,y)值并入一个矩阵中，表示为W
l
，通过公式Δ
l
＝D
l
‑
W
l
可得一阶局部的拉普拉斯算子，其中D
l
＝diag[d1,d2,...,d
N
]，diag为对角化操作，x∈[1,N]，N＝N1×
N2；所述计算其中单个像素点与非局部邻接像素点的相似度，构建一阶非局部拉普拉斯算子，包括：对于每一个点v
x
，使用近似最近邻搜索算法ANN和kd
‑
tree方法搜索非局部邻接点与v
x
的相似度，并用一下公式进行相似度计算：其中w
nl
(x,y)为点v
x
和非局部邻接点v
y
之间的相似度，τ
p
和τ
v
是两个参数，p
x
和p
y
分别代表点v
x
和v
y
在图像空间上的位置，同样地，将把所有的w
nl
(x,y)值并入一个矩阵中，表示为W
nl
，通过公式Δ
nl
＝D
...

【专利技术属性】
技术研发人员：郑建炜，蒋嘉伟，冯宇超，徐宏辉，秦梦洁，李鹏飞，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：