基于图像稀疏特征匹配的立体图像重构方法及装置制造方法及图纸

本申请公开一种基于图像稀疏特征匹配的立体图像重构方法及装置。所述方法包括：对输入图像进行图像稀疏特征表示，得到稀疏特征表示后的图像；对稀疏特征表示后的图像进行去噪处理；对去噪后的图像进行图像重构。采用本申请技术方案，基于图像的稀疏特征表示进行图像重构，使得重构后的图像质量更优，图像重构精度更高。度更高。度更高。

【技术实现步骤摘要】
基于图像稀疏特征匹配的立体图像重构方法及装置


[0001]本申请涉及图像处理领域，尤其涉及一种基于图像稀疏特征匹配的立体图像重构方法及装置。

技术介绍

[0002]图像处理，是用计算机对图像进行分析，以达到所需结果的技术，又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。
[0003]现有的图像在进行图像重构处理时一般都是使用傅里叶逆变换法、直接反投影法、滤波反投影法等，然而这些图像重构方法一般都是需要将原图像进行映射变换处理之后再进行重构，在映射变换时很可能已经改变了原图像的属性。基于此，本专利技术提出一种从图像自身的稀疏特征角度出发进行图像重构的方法。

技术实现思路

[0004]本申请提供了一种基于图像稀疏特征匹配的立体图像重构方法，包括：
[0005]对输入图像进行图像稀疏特征表示，得到稀疏特征表示后的图像；
[0006]对稀疏特征表示后的图像进行去噪处理；
[0007]对去噪后的图像进行图像重构。
[0008]如上所述的一种基于图像稀疏特征匹配的立体图像重构方法，其中，对输入图像进行图像稀疏特征表示，具体包括如下子步骤：
[0009]将输入图像表示为矩阵形式，计算输入图像矩阵中所包含的元素个数；
[0010]计算输入图像的L1范数；
[0011]计算输入图像的L2范数；
[0012]利用L1范数和L2范数之间的差异度衡量输入图像矩阵的稀疏度。
[0013]如上所述的一种基于图像稀疏特征匹配的立体图像重构方法，其中，L1范数＝所有元素的绝对值之和。
[0014]如上所述的一种基于图像稀疏特征匹配的立体图像重构方法，其中，L2范数＝所有元素的平方之和的平方根。
[0015]如上所述的一种基于图像稀疏特征匹配的立体图像重构方法，其中，利用L1范数和L2范数之间的差异度来衡量矩阵的稀疏度，公式如下：其中，x
i
表示输入图像矩阵元素，n表示包含的元素的个数，s(x)是[0,1]之间的数，值越大，说明x的稀疏度越大。
[0016]如上所述的一种基于图像稀疏特征匹配的立体图像重构方法，其中，对稀疏特征表示后的图像进行图像重构，具体包括如下子步骤：
[0017]对稀疏特征表示后的图像进行压缩感知；
[0018]对压缩感知后的图像进行图像修复；
[0019]通过CSR卷积稀疏表示后的修复图像，实现图像超分辨率重建。
[0020]本专利技术还提供一种基于图像稀疏特征匹配的立体图像重构装置，包括：
[0021]稀疏特征表示图像构建模块，用于对输入图像进行图像稀疏特征表示，得到稀疏特征表示后的图像；
[0022]去噪处理模块，用于对稀疏特征表示后的图像进行去噪处理；
[0023]图像重构模块，用于对去噪后的图像进行图像重构。
[0024]如上所述的一种基于图像稀疏特征匹配的立体图像重构装置，其中，稀疏特征表示图像构建模块，具体用于：将输入图像表示为矩阵形式，计算输入图像矩阵中所包含的元素个数；计算输入图像的L1范数；计算输入图像的L2范数；利用L1范数和L2范数之间的差异度衡量输入图像矩阵的稀疏度。
[0025]如上所述的一种基于图像稀疏特征匹配的立体图像重构装置，其中，图像重构模块，具体用于：对稀疏特征表示后的图像进行压缩感知；对压缩感知后的图像进行图像修复；通过CSR卷积稀疏表示后的修复图像，实现图像超分辨率重建。
[0026]本申请实现的有益效果如下：采用本申请技术方案，基于图像的稀疏特征表示进行图像重构，使得重构后的图像质量更优，图像重构精度更高。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0028]图1是本申请实施例一提供一种基于图像稀疏特征匹配的立体图像重构方法流程图；
[0029]图2是是本申请实施例一提供一种基于图像稀疏特征匹配的立体图像重构装置示意图。
具体实施方式
[0030]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]实施例一
[0032]如图1所示，本申请实施例一提供一种基于图像稀疏特征匹配的立体图像重构方法，包括：
[0033]步骤110、对输入图像进行图像稀疏特征表示，得到稀疏特征表示后的图像；
[0034]其中，对输入图像进行图像稀疏特征表示，具体包括如下子步骤：
[0035]步骤111、将输入图像表示为矩阵形式，计算输入图像矩阵中所包含的元素个数；
[0036]将输入的立体图像转换为一维图像，即输入图像的大小为M
×
N，信号大小为MN
×
1，则输入图像矩阵表示为MN
×
kMN，k表示冗余系数，例如一个大小为20
×
20的图像，以8
×
8的窗口和1的步长滑动，将图像分成列向量信号表示，每一次窗口可以提取64维列向量，一次遍历可以得到(20
‑
8+1)2＝169个列向量，假设冗余系数k取4，即需要计算169个稀疏解，即输入图像包含169个元素。
[0037]步骤112、计算输入图像的L1范数；
[0038]L1范数＝所有元素的绝对值之和。
[0039]步骤113、计算输入图像的L2范数；
[0040]L2范数＝所有元素的平方之和的平方根。
[0041]步骤114、利用L1范数和L2范数之间的差异度衡量输入图像矩阵的稀疏度。
[0042]利用L1范数和L2范数之间的差异度来衡量矩阵的稀疏度，公式如下：其中，x
i
表示输入图像矩阵元素，n表示包含的元素的个数，s(x)是[0,1]之间的数，值越大，说明x的稀疏度越大。
[0043]步骤120、对稀疏特征表示后的图像进行去噪处理；
[0044]对于自然图像信号可以稀疏表示，但噪声是无法稀疏表示的，所以假设含噪图像为Y，则噪声模型满足以下公式Y＝Dα+noise，其中，noise为图像噪声，Dα重构结果即为去噪图像。由于图像往往受到多种类型的噪声的影响，根据中心极限定理，多个独立同分布的噪声叠加趋近于正态分布，因此我们可以用高斯噪声模型先验来给定noise的误差阈值，控制稀疏分解停止的条件，对Y进行稀疏表示后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像稀疏特征匹配的立体图像重构方法，其特征在于，包括：对输入图像进行图像稀疏特征表示，得到稀疏特征表示后的图像；对稀疏特征表示后的图像进行去噪处理；对去噪后的图像进行图像重构。2.如权利要求1所述的一种基于图像稀疏特征匹配的立体图像重构方法，其特征在于，对输入图像进行图像稀疏特征表示，具体包括如下子步骤：将输入图像表示为矩阵形式，计算输入图像矩阵中所包含的元素个数；计算输入图像的L1范数；计算输入图像的L2范数；利用L1范数和L2范数之间的差异度衡量输入图像矩阵的稀疏度。3.如权利要求2所述的一种基于图像稀疏特征匹配的立体图像重构方法，其特征在于，L1范数＝所有元素的绝对值之和。4.如权利要求2所述的一种基于图像稀疏特征匹配的立体图像重构方法，其特征在于，L2范数＝所有元素的平方之和的平方根。5.如权利要求2所述的一种基于图像稀疏特征匹配的立体图像重构方法，其特征在于，利用L1范数和L2范数之间的差异度来衡量矩阵的稀疏度，公式如下：其中，x
i
表示输入图像矩阵元素，n表示包含的元素的个数，s(x)是[0,1]之间的数，值越大，说明x的稀疏度越大。6.如权利要求1所述...

【专利技术属性】
技术研发人员：卢仰泽，刘帆，任劼帅，鲁非，黄泽琦，张露，
申请(专利权)人：国网湖北省电力有限公司电力科学研究院，
类型：发明
国别省市：