一种基于混合结构化稀疏模型的图像复原方法技术

本发明专利技术公开了一种基于混合结构化稀疏模型的图像复原方法，具体包括以下步骤：初始化复原图像和设置迭代次数；构建相似图像块组矩阵；建立混合结构化稀疏模型；利用混合结构化稀疏模型对每个相似图像块组进行稀疏编码；重建每个相似图像块组；根据所有重建相似图像块组复原整幅图像；本发明专利技术的图像复原方法更好地重建了边缘、纹理等细节，并有效地抑制了不期望的视觉伪影，进一步提升了图像复原效果。进一步提升了图像复原效果。进一步提升了图像复原效果。

【技术实现步骤摘要】
一种基于混合结构化稀疏模型的图像复原方法


[0001]本专利技术属于数字图像处理
，具体涉及一种基于混合结构化稀疏模型的图像复原方法。

技术介绍

[0002]图像是人类和机器获取信息的一个重要来源。但是，图像在采集、压缩、传输以及接收等过程中会不可避免的受到各种退化干扰，如噪声和模糊，从而严重影响其后续处理和应用。图像复原技术，就是在算法和软件层面利用观测的退化图像重建出潜在的真实图像，具有重要的现实意义。
[0003]图像复原是个线性病态逆问题，因此需要利用图像先验模型正则化解空间，以获得稳定解。近些年，以相似图像块组为基本单元的结构化稀疏模型被广泛应用于各种图像复原任务，并且取得了不错的效果。现有稀疏模型往往只使用单一的一范数或者二范数约束稀疏系数。然而，与一范数约束对应的软阈值操作会直接灭活绝对值小的稀疏系数，而与二范数约束对应的维纳滤波则会产生过平滑解。二者都不利于保护图像细节。

技术实现思路

[0004]为克服上述现有技术的不足，本专利技术提供了一种基于混合结构化稀疏模型的图像复原方法。其目的在于利用二范数约束补偿一范数约束，以及通过一范数约束锐化二范数约束，从而有效地保护图像细节，进一步提升图像复原效果。
[0005]为实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于混合结构化稀疏模型的图像复原方法，包括以下步骤：
[0007]步骤1，初始化复原图像x0＝y，其中y表示退化图像，设置迭代次数t＝1,2,3,
…
,T；<br/>[0008]步骤2，构建相似图像块组矩阵
[0009]步骤3，建立混合结构化稀疏模型；
[0010]步骤4，利用混合结构化稀疏模型对每个相似图像块组进行稀疏编码；
[0011]步骤5，重建每个相似图像块组
[0012]步骤6，利用所有重建的相似图像块组复原整幅图像x
t
；
[0013]步骤7，迭代执行步骤2
‑
6共T次，输出最终的复原图像x
T
。
[0014]进一步地，步骤1中所述的退化图像包括噪声退化图像和模糊退化图像。
[0015]进一步地，步骤2中所述的构建相似图像块组矩阵，按如下步骤进行：
[0016]步骤2.1，对当前复原图像x
t
‑1进行分块；
[0017]步骤2.2，通过基于欧式距离的块匹配为每个图像块搜寻n个相似图像块，并组成相似图像块组矩阵
[0018][0019]其中，R
k
(
·
)表示相似图像块组矩阵提取操作，R
k,j
表示第j个相似图像块提取矩阵。
[0020]进一步地，步骤3中所述的混合结构化稀疏模型建立为：
[0021][0022]其中，λ1、λ2和ρ表示三个正的正则化参数，表示F范数操作，||
·
||1表示一范数操作，||
·
||2表示二范数操作，D
k
表示字典，Z
k
＝Λ
k
(B
k
+A
k
)表示稀疏系数矩阵，Λ
k
是个表示尺度因子矩阵的对角阵，logΛ
k
＝∑
i
log(θ
k,i
+ε)，θ
k,i
≥0表示Λ
k
的第i个对角元素，ε是个小的正常数，A
k
表示一范数约束部分，B
k
表示二范数约束部分。
[0023]进一步地，步骤4中所述利用混合结构化稀疏模型对每个相似块组进行稀疏编码，按如下步骤进行：
[0024]步骤4.1，利用主成分分析为学习字典D
k
，如下：
[0025][0026]其中，S
k
表示的协方差矩阵，U
k
和P
k
分别表示S
k
的特征向量矩阵和特征值矩阵；
[0027]步骤4.2，固定B
k
和A
k
，优化Λ
k
：
[0028][0029]上述方程可以等价转化为：
[0030][0031]其中，F
k
＝B
k
+A
k
；
[0032]求解上述方程可以等价为求解下述方程：
[0033][0034]其中，和分别表示C
k
和F
k
的第i行，T表示转置操作；
[0035]从而得到其解为：
[0036][0037]其中，以及，
[0038][0039]步骤4.3，固定Λ
k
和A
k
，优化B
k
：
[0040][0041]上述方程可以等价转化为：
[0042][0043]从而可以得到其闭式解为：
[0044][0045]其中，I是单位阵；
[0046]步骤4.4，固定Λ
k
和B
k
，优化A
k
：
[0047][0048]上述方程可以等价转化为：
[0049][0050]从而可以得到其闭式解为：
[0051][0052]其中，sgn(
·
)表示符号操作，
⊙
表示逐元素乘操作，|
·
|表示取绝对值操作，1表示元素全为1的矩阵。
[0053]进一步地，步骤5中重建每个相似图像块组为：
[0054][0055]进一步地，步骤6中复原整幅图像x
t
的目标函数构建为：
[0056][0057]其中，η表示正常数，H表示退化算子；
[0058]上述方程闭式解为：
[0059][0060]其中，表示的第j列。
[0061]与现有技术相比，本专利技术的有益效果是：
[0062]本专利技术建立了一个用于图像复原的混合结构化稀疏模型，相比于现有技术，所建
立的混合结构化稀疏模型利用一范数和二范数同时约束稀疏系数，从而使得一范数约束和二范数约束互相抑制其不足，即用二范数约束补偿一范数约束，以及用一范数约束锐化二范数约束。因此，本专利技术提出的一种基于混合结构化稀疏模型的图像复原方法有利于保护图像细节，进一步提升了图像复原效果。
附图说明
[0063]图1是本专利技术一种基于混合结构化稀疏模型的图像复原方法的实现流程图。
[0064]图2是本专利技术的仿真对比图。
具体实施方式
[0065]以下结合附图，对本专利技术进行进一步详细说明。
[0066]如图1所示，本专利技术公开了一种基于混合结构化稀疏模型的图像复原方法，同时用一范数和二范数约束稀疏系数的结构化稀疏模型作为先验约束，来实现图像复原，包括以下步骤：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合结构化稀疏模型的图像复原方法，其特征在于，包括以下步骤：步骤1，初始化复原图像x0＝y，其中y表示退化图像，设置迭代次数t＝1,2,3,...,T；步骤2，构建相似图像块组矩阵步骤3，建立混合结构化稀疏模型；步骤4，利用混合结构化稀疏模型对每个相似图像块组进行稀疏编码；步骤5，重建每个相似图像块组步骤6，利用所有重建的相似图像块组复原整幅图像x
t
；步骤7，迭代执行步骤2
‑
6共T次，输出最终的复原图像x
T
。2.根据权利要求1所述的一种基于混合结构化稀疏模型的图像复原方法，其特征在于，步骤1中所述的退化图像包括噪声退化图像和模糊退化图像。3.根据权利要求1所述的一种基于混合结构化稀疏模型的图像复原方法，其特征在于，步骤2中所述的构建相似图像块组矩阵，按如下步骤进行：步骤2.1，对当前复原图像x
t
‑1进行分块；步骤2.2，通过基于欧式距离的块匹配为每个图像块搜寻n个相似图像块，并组成相似图像块组矩阵似图像块组矩阵其中，R
k
(
·
)表示相似图像块组矩阵提取操作，R
k,j
表示第j个相似图像块提取矩阵。4.根据权利要求1所述的一种基于混合结构化稀疏模型的图像复原方法，其特征在于，步骤3中所述的混合结构化稀疏模型建立为：其中，λ1、λ2和ρ表示三个正的正则化参数，表示F范数操作，||
·
||1表示一范数操作，||
·
||2表示二范数操作，D
k
表示字典，Z
k
＝Λ
k
(B
k
+A
k
)表示稀疏系数矩阵，Λ
k
是个表示尺度因子矩阵的对角阵，logΛ
k
＝∑
i
log(θ
k,i
+ε)，θ
k,i
≥0表示Λ
k
的第i个对角元素，ε是个...

【专利技术属性】
技术研发人员：刘涵，袁伟，刘丁，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：