一种特征分类学习的结构稀疏传播图像修复方法技术

本发明专利技术公开了一种特征分类学习的结构稀疏传播图像修复方法。本发明专利技术首先将图像块按特征分类，根据不同特征的图像样本进行样本训练得到相对应的过完备字典；然后，对不同特征的待修复图像块提取不同的有效信息进行稀疏编码，使得稀疏表示具有较强的自适应能力；最后，针对结构稀疏传播模型带来的偏差进行修改，完善结构稀疏的传播机制。本发明专利技术可以有效修复图像结构边缘、不规则纹理和平滑区域的图像信息。

【技术实现步骤摘要】

本专利技术属于数字图像修复
，具体涉及。
技术介绍
传统的图像修复方法分为两类:一类是基于偏微分方程的方法。该方法本质上是一种扩散过程，但在修复大面积区域时存在明显模糊。另一类是基于纹理合成的方法。该方法用匹配块替换待修复块，当找不到匹配块时就会产生错误匹配并延续错误。为了解决贪婪性造成的错误匹配，人们对算法进行了很多改进，但任然避免不了错误的匹配和加权图像块过多带来的模糊。最近，一种新的图像稀疏表示方法在图像处理领域得到重视，许多学者将稀疏理论运用到图像修复的方法中。
技术实现思路
本专利技术针对现有技术的不足，提供了。在实验中发现，样本稀疏表示方法只将原始图像数据作为字典来稀疏表示待修复块，从而导致字典冗余性低，自适应性较差，与非局部平均算法一样会带来模糊；同时上述方法只将待修 复块周围的有效信息用于稀疏编码，并没有分类考虑图像块特征，先验知识有限。本专利技术采取以下技术方案:首先将图像块按特征分类，根据不同特征的图像样本进行样本训练得到相对应的过完备字典；然后，对不同特征的待修复图像块提取不同的有效信息进行稀疏编码，使得稀疏表示具有较强的自适应能力；最后，针对结构稀疏传播模型带来的偏差进行修改，完善结构稀疏的传播机制。按如下步骤进行:第一步:采用聚类和分类相结合的方法，将图像块按照平滑、不规则纹理和结构三种特征进行细分。首先，采用局部方差来区分图像的平滑区域和非平滑区域，然后，采用均值漂移(Mean-Shift)来对图像进行聚类，通过最小化图像的纹理细节，突出边缘结构，当完成图像Mean-Shift聚类后，再将将非平滑的区域区分成不规则纹理部分和结构部分。第二步:K_SVD分类学习字典。当对图像按特征进行分类之后，为了获得较好的稀疏逼近，将充分利用不同区域的图像块训练与之相适应的字典，使得训练后的这些字典能较好地稀疏逼近各个已知块。在稀疏表不领域，K-SVD被用来构建一组信号的过完备字典,可以表述为:ιη?η||Χ-Ζ)β||2 s.L |^.|0<70⑴其中，D= W1, d2，…，dj是需要求得的过完备字典，Ttl << L表示a中非零系数的最大上限，即给出了稀疏程度；X = 是待训练的一组信号，即相同特征分类下的图像块组。对于结构区域块，选取原图像中的边缘图像块做为初始字典，以加快算法的收敛速度。对于不规则纹理块和平滑区域块，选取各自的样本信号和初始字典，然后分别利用K-SVD算法进行求解。由此，我们可以得到三个不同特征的自适应字典:边缘字典De，不规则纹理字典Dt，平滑字典Ds。第三步:分类稀疏表示图像块。对不同特征的待修复图像块提取不同的有效信息进行稀疏编码，使得稀疏表示具有较强的自适应能力。假设6Ω为当前修复边界，由δΩ开始逐步向内取块，直到完成所有块的修复。若Ψρ为当前待修复块，给定字典D，则Ψρ的稀疏表示问题可以表述为:本文档来自技高网...

【技术保护点】
一种特征分类学习的结构稀疏传播图像修复方法，其特征在于：步骤1：将图像块按特征分类，具体是：采用聚类和分类相结合的方法，将图像块按照平滑、不规则纹理和结构三种特征进行细分；首先，采用局部方差来区分图像的平滑区域和非平滑区域，然后，采用均值漂移来对图像进行聚类，通过最小化图像的纹理细节，突出边缘结构，当完成图像均值漂移聚类后，再将非平滑的区域区分成不规则纹理部分和结构部分；步骤2：对不同特征的图像块分别进行字典训练，得到相对应的特征字典，具体是：在稀疏表示领域，K‑SVD被用来构建一组信号的过完备字典，表述为： min D , a | | X - Da | | 2 , s . t . | | a i | | 0 < T 0 - - - ( 1 ) 其中，D＝{d1,d2,…,dL}是需要求得的过完备字典，T0＜＜L表示a中非零系数的最大上限，即给出了稀疏程度；是待训练的一组信号，即相同特征分类下的图像块组；对于结构区域块，选取原图像中的边缘图像块做为初始字典，以加快算法的收敛速度；对于不规则纹理块和平滑区域块，选取各自的样本信号和初始字典，然后分别利用K‑SVD算法进行求解；由此，得到三个不同特征的自适应字典：边缘字典De，不规则纹理字典Dt，平滑字典Ds；步骤3：对不同特征的待修复图像块提取不同的有效信息进行稀疏编码，使得稀疏表示具有较强的自适应能力，具体是：假设为当前修复边界，由开始逐步向内取块，直到完成所有块的修复；若Ψp为当前待修复块，给定字典D，则Ψp的稀疏表示问题表述为： a ^ = arg min | | a | | 0 , s . t . | | Y T - D T a | | 2 ≤ ϵ - - - ( 2 ) 其中，Yp是由Ψp转化而成的列向量，为Ψp的相似块对Ψp的估计值，β是平衡系数，用来平衡Yp和的约束强度，是淹没矩阵，将Ψp内的未知像素限定为0；为了使不同特征类型的图像块获得最优解，针对各类特征图像块，用不同方法提取块的有效信息以求得每个图像块的最佳稀疏表示；在对边缘结构块进行有效信息估计时，充分考虑图像的全局冗余，采用非局部平均算法估计边缘结构块的有效信息；为了避免细节上的模糊，采用纹理合成方法来估计不规则纹理块的有效信息；对于平滑区域块，需要保持与周围像素的过渡平滑性，用周围信息的局部平均方法来估计其有效信息；步骤4：修改和完善结构稀疏的传播机制，具体是：定义结构置信度为： s ( p ) = | | ω p ‾ , p i | | 2 | numel S ( p ...

【技术特征摘要】
1.一种特征分类学习的结构稀疏传播图像修复方法，其特征在于: 步骤1:将图像块按特征分类，具体是: 采用聚类和分类相结合的方法，将图像块按照平滑、不规则纹理和结构三种特征进行细分；首先，采用局部方差来区分图像的平滑区域和非平滑区域，然后，采用均值漂移来对图像进行...

【专利技术属性】
技术研发人员：唐向宏，康佳伦，任澍，李齐良，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33