CN105825473B - 一种分析稀疏与合成稀疏自适应切换的图像复原方法 - Google Patents
一种分析稀疏与合成稀疏自适应切换的图像复原方法 Download PDFInfo
- Publication number
- CN105825473B CN105825473B CN201610153994.XA CN201610153994A CN105825473B CN 105825473 B CN105825473 B CN 105825473B CN 201610153994 A CN201610153994 A CN 201610153994A CN 105825473 B CN105825473 B CN 105825473B
- Authority
- CN
- China
- Prior art keywords
- sparse
- sub
- image
- dictionary
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011084 recovery Methods 0.000 title claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 title claims description 33
- 238000003786 synthesis reaction Methods 0.000 title claims description 33
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000003321 amplification Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种分析稀疏与合成稀疏自适应切换的图像复原方法,首先,对高质量的训练样本构成的集合聚类并为每一类样本训练一个合成稀疏子字典和一个分析稀疏子字典;然后,将训练的字典分别用于复原低质量的训练图像样本集合,统计各类采用每一种子字典的复原误差,根据误差大小自适应切换选择稀疏正则化;最后,在切换准则基础上建立了图像重建复原模型,并采用交替优化策略求解该模型。本发明有益的效果:本发明考虑了图像子块对稀疏子字典的适应性,为图像子块自适应的选择稀疏正则化,提高了图像的复原质量;复原图像子块时每次只选择一种稀疏正则化,因此复原模型的计算复杂度不高于单独采用合成稀疏正则化或分析稀疏正则化时的最高计算复杂度。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像复原的方法,具体是一种分析稀疏与合成稀疏自适应切换的图像复原方法,用于对已知模糊类型的模糊图像进行复原和对已知低分辨率图像复原为高分辨率图像。
背景技术
图像在传输、处理、记录等过程中,由于模糊、下采样、噪声等影响导致图像质量下降。图像质量下降的过程可以表示为:
y=SBx+n
上式中,x为原始高质量图像,B为模糊算子,S是下采样矩阵,n是加性高斯白噪声,y为退化图像。图像复原就是根据退化图像y求解未知高质量图像x的过程。当S为单位矩阵,B为模糊算子时,上述问题就成为图像去模糊;当S为下采样矩阵,B为模糊算子时,上述问题就成为图像超分辨率问题。
图像复原是指从低质量图像中重建出高质量图像的过程,该过程是一个病态反问题,在求解该问题时往往需要引入图像先验知识,以先验作为反问题模型的正则项。常用的两种稀疏正则化是合成稀疏正则化和分析稀疏正则化,很多文献显示这两种正则化用于图像复原都取得了较好的效果。但是,这些文献在应用这两种稀疏正则化时都没有考虑图像块的特点,一些图像块更适合于采用合成稀疏正则化进行复原,一些图像块更适合于采用分析稀疏正则化进行复原,因此没有为图像块找到最佳的稀疏正则化。
发明内容
本发明的目的是克服现有技术中的不足,而提供一种分析稀疏与合成稀疏自适应切换的图像复原方法。
本发明的目的是通过以下技术方案实现的。这种分析稀疏与合成稀疏自适应切换的图像复原方法,该方法首先对高质量的训练样本构成的集合聚类并为每一类样本训练一个合成稀疏子字典和一个分析稀疏子字典;然后将训练的字典分别用于复原低质量的训练图像样本集合,统计各类采用每一种子字典的复原误差,根据误差大小自适应切换选择稀疏正则化;最后在切换准则基础上建立了图像重建复原模型,并采用交替优化策略求解该模型。
该发明技术方案中各个细节详细说明如下:
步骤1:训练K类合成稀疏子字典和分析稀疏子字典,进一步包括:
将高质量的训练样本图像进行分块,分成大小为的相互重叠若干像素的图像子块,重叠像素个数小于p,子块向量化后表示为xi∈Rp。首先,对输入的M个图像子块进行K均值聚类,采用主分量分析法为每一类训练一个合成稀疏子字典,采用序列最小化特征值方法为每一类训练一个分析稀疏子字典,得到K个类中心、合成稀疏子字典和分析稀疏子字典,分别记为μm、Φm,Ωm,m=1…K。
步骤2:确定稀疏正则化切换准则,进一步包括:
输入训练低质量图像集合,对于图像去模糊,低质量图像是模糊图像;对于超分辨率重建,低质量图像是低分辨率图像经插值放大后与目标图像相同大小的图像。对每一幅图像分成大小为的子块,由这些子块构成子块集合,将子块与K个类中心具有最小欧氏距离的类作为该子块的类索引ki,ki=1…K,为子块集合中的每个子块确定类索引。对类索引为ki的子块分别按合成稀疏子字典分析稀疏子字典复原该子块,分别计算并记录合成稀疏、分析稀疏复原误差,为子块集合中的每个子块记录复原误差。统计子块集合中具有相同类索引的子块的合成稀疏、分析稀疏复原误差;如果该类索引的合成稀疏复原误差更小,则选择合成稀疏正则化复原该类子块,否则选择分析稀疏正则化复原该类子块。
步骤3:图像复原重建,进一步包括:
在合成稀疏正则化和分析稀疏正则化的共同作用下,图像的复原重建模型表示为:
式(1)中,ki是子块i所属类的索引,αi和分别是子块i的合成稀疏编码与分析稀疏编码,Rix表示从图像x中提取子块i,β,λi,γi是正则化系数,||·||q(q是0≤q≤1的整数)是q范数。为切换开关,当式(1)变成合成稀疏正则化模型;当式(1)变成分析稀疏正则化模型。在切换机制下,对于给定的子块,式(1)中的两个正则项只有一个被激活。采用交替优化策略近似求解式(1)。求解过程为:
1)输入:图像y
2)初始化:迭代次数s=0,图像子块数Np,图像中的像素个数NI,最大外循环次数o_Max_iter,最大内循环次数i_Max_iter,外循环迭代终止误差o_e,内循环迭代终止误差i_e,期望的协稀疏度初始值x(0)。
3)当i≤Np时
(a)令yi=Rix(s)。找出与yi具有最短欧氏距离的类中心ki为yi的类索引,得到对应的合成与分析子字典
(b)在当前类的切换函数基础上执行下列情况之一:
当时,取q=0,
采用贪婪梯度投影法求解。
当时,取q=1,
其中soft(●,●)是软阈值运算。
循环变量i增1。
4)置u=0,x(u)=x(s)
5)更新x(u)
6)判断或s>i_Max_iter是否成立,不成立则返回步骤5),否则到步骤7)
7)更新x(s+1)=x(u+1)
8)判断或s>o_Max_iter是否成立,不成立则返回步骤3),否则到步骤9)
9)输出图像x=x(s+1)。
本发明有益的效果:本发明考虑了图像子块对稀疏子字典的适应性,为图像子块自适应的选择稀疏正则化,提高了图像的复原质量;复原图像子块时每次只选择一种稀疏正则化,因此复原模型的计算复杂度不高于单独采用合成稀疏正则化或分析稀疏正则化时的最高计算复杂度。
附图说明
图1是本发明图像复原模型建立过程示意图;
图2是本发明与其他几种去模糊方法对比图;
图3是本发明与其他几种超分辨率方法对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述。
如图1所示,步骤1:训练K类合成稀疏子字典和分析稀疏子字典,具体是:
将高质量的训练样本图像进行分块,分成大小为的相互重叠5×7个像素的图像子块,子块向量化后表示为xi∈Rp。首先,对输入的M=727615个图像子块进行K均值聚类,K=200,采用主分量分析法为每一类训练一个合成稀疏子字典,采用序列最小化特征值方,为每一类训练一个分析稀疏子字典,得到K个类中心、合成稀疏子字典和分析稀疏子字典,分别记为μm、Φm,Ωm,m=1…K。
步骤2:确定稀疏正则化切换准则,具体是:
输入训练低质量图像集合,对于图像去模糊,低质量图像是模糊图像;对于超分辨率重建,低质量图像是低分辨率图像经插值放大后与目标图像相同大小的图像。对每一幅图像分成大小为7×7的子块,由这些子块构成子块集合,将子块与K个类中心具有最小欧氏距离的类作为该子块的类索引ki,ki=1…K,为子块集合中的每个子块确定类索引。对类索引为ki的子块分别按合成稀疏子字典分析稀疏子字典复原该子块,分别计算并记录合成稀疏、分析稀疏复原误差,为子块集合中的每个子块记录复原误差。统计子块集合中具有相同类索引的子块的合成稀疏、分析稀疏复原误差;如果该类索引的合成稀疏复原误差更小,则选择合成稀疏正则化复原该类子块,否则选择分析稀疏正则化复原该类子块。
步骤3:图像复原重建,如图1所示,具体是:
由于人眼对于亮度分量Y更为敏感,对于彩色的RGB图像,先转换成YUV图像。当复原模型为超分辨率重建时,在Y分量上进行超分辨率重建,而UV分量采用双三次插值放大;当复原模型为去模糊时,只在Y分量上进行去模糊,UV分量不做处理。然后将YUV图像再转换成RGB图像;对于灰度图像,直接在灰度图上进行超分辨率重建或者去模糊。
在合成稀疏正则化和分析稀疏正则化的共同作用下,图像的复原重建模型表示为:
式(1)中,ki是子块i所属类的索引,αi和分别是子块i的合成稀疏编码与分析稀疏编码,Rix表示从图像x中提取子块i,β,λi,γi是正则化系数,||·||q(q是0≤q≤1的整数)是q范数。λi=γi=20。当超分辨率重建时,β=2000;当去模糊时,β=1500。为切换开关,当式(1)变成合成稀疏正则化模型;当式(1)变成分析稀疏正则化模型。在切换机制下,对于给定的子块,式(1)中的两个正则项只有一个被激活。采用交替优化策略近似求解式(1)。求解过程为:
1)输入:图像y;
2)初始化:迭代次数s=0,图像子块数Np,图像中的像素个数NI,最大外循环次数o_Max_iter,最大内循环次数i_Max_iter,外循环迭代终止误差o_e,内循环迭代终止误差i_e,期望的协稀疏度初始值x(0)。取o_e=i_e=2×10-6,当超分辨率重建时,o_Max_iter=500,i_Max_iter=10,x(0)为输入低分辨率图像插值放大的结果;当去模糊时,o_Max_iter=200,i_Max_iter=1,x(0)为输入模糊图像;
3)当i≤Np时
(a)令yi=Rix(s)。找出与yi具有最短欧氏距离的类中心ki为yi的类索引,得到对应的合成与分析子字典
(b)在当前类的切换函数基础上执行下列情况之一:
当时,取q=0,
采用贪婪梯度投影法求解。
当时,取q=1,
其中soft(●,●)是软阈值运算。
循环变量i增1。
4)置u=0,x(u)=x(s)。
5)更新x(u)。
6)判断或s>i_Max_iter是否成立,不成立则返回步骤5),否则到步骤7)。
7)更新x(s+1)=x(u+1)。
8)判断或s>o_Max_iter是否成立,不成立则返回步骤3),否则到步骤9)。
9)输出图像x=x(s+1)。
如图2,图3所示,本发明采用的方法较以往几种方法,更提高了图像的复原质量。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (3)
1.一种分析稀疏与合成稀疏自适应切换的图像复原方法,其特征在于,首先,对高质量的训练样本构成的集合聚类并为每一类样本训练一个合成稀疏子字典和一个分析稀疏子字典;然后,将训练的字典分别用于复原低质量的训练图像样本集合,统计各类采用每一种子字典的复原误差,根据误差大小自适应切换选择稀疏正则化;最后,在切换准则基础上建立了图像重建复原模型,并采用交替优化策略求解该模型,所述合成稀疏子字典和分析稀疏子字典,进一步包括:将高质量的训练样本图像进行分块,分成大小为的相互重叠若干像素的图像子块,重叠像素个数小于p,子块向量化后表示为xi∈Rp;首先,对输入的M个图像子块进行K均值聚类,采用主分量分析法为每一类训练一个合成稀疏子字典,采用序列最小化特征值方法为每一类训练一个分析稀疏子字典,得到K个类中心、合成稀疏子字典和分析稀疏子字典,分别记为μm、Φm,Ωm,m=1…K。
2.根据权利要求1所述的分析稀疏与合成稀疏自适应切换的图像复原方法,其特征在于,所述确定稀疏正则化切换准则,进一步包括:输入训练低质量图像集合,对于图像去模糊,低质量图像是模糊图像;对于超分辨率重建,低质量图像是低分辨率图像经插值放大后与目标图像相同大小的图像;对每一幅图像分成大小为的子块,由这些子块构成子块集合,将子块与K个类中心具有最小欧氏距离的类作为该子块的类索引ki,ki=1…K,为子块集合中的每个子块确定类索引;对类索引为ki的子块分别按合成稀疏子字典分析稀疏子字典复原该子块,分别计算并记录合成稀疏、分析稀疏复原误差,为子块集合中的每个子块记录复原误差;统计子块集合中具有相同类索引的子块的合成稀疏、分析稀疏复原误差;如果该类索引的合成稀疏复原误差更小,则选择合成稀疏正则化复原该类子块,否则选择分析稀疏正则化复原该类子块。
3.根据权利要求1所述的分析稀疏与合成稀疏自适应切换的图像复原方法,其特征在于,图像复原重建,进一步包括:在合成稀疏正则化和分析稀疏正则化的共同作用下,图像的复原重建模型表示为:
式(1)中,ki是子块i所属类索引,αi和分别是子块i的合成稀疏编码与分析稀疏编码,Rix表示从图像x中提取子块i,β,λi,γi是正则化系数,||·||q(q是0≤q≤1的整数)是q范数;为切换开关,当式(1)变成合成稀疏正则化模型;当式(1)变成分析稀疏正则化模型;在切换机制下,对于给定的子块,式(1)中的两个正则项只有一个被激活;采用交替优化策略近似求解式(1);求解过程为:
1)输入:图像y;
2)初始化:迭代次数s=0,图像子块数Np,图像中的像素个数NI,最大外循环次数o_Max_iter,最大内循环次数i_Max_iter,外循环迭代终止误差o_e,内循环迭代终止误差i_e,期望的协稀疏度初始值x(0);
3)当i≤Np时
(a)令yi=Rix(s);找出与yi具有最短欧氏距离的类中心ki为yi的类索引,得到对应的合成与分析子字典
(b)在当前类的切换函数基础上执行下列情况之一:
当时,取q=0,
采用贪婪梯度投影法求解;
当时,取q=1,
其中soft(●,●)是软阈值运算;
循环变量i增1;
4)置u=0,x(u)=x(s);
5)更新x(u);
6)判断或s>i_Max_iter是否成立,不成立则返回步骤5),否则到步骤7);
7)更新x(s+1)=x(u+1);
8)判断或s>o_Max_iter是否成立,不成立则返回步骤3),否则到步骤9);
9)输出图像x=x(s+1)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510989110 | 2015-12-24 | ||
CN201510989110X | 2015-12-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825473A CN105825473A (zh) | 2016-08-03 |
CN105825473B true CN105825473B (zh) | 2019-05-28 |
Family
ID=56525263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610153994.XA Active CN105825473B (zh) | 2015-12-24 | 2016-03-17 | 一种分析稀疏与合成稀疏自适应切换的图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825473B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977929B (zh) * | 2016-10-21 | 2021-02-23 | 中国电信股份有限公司 | 图像超分辨率处理方法和装置 |
CN109084943B (zh) * | 2018-07-09 | 2020-07-03 | 暨南大学 | 一种基于子空间投影与稀疏正则化的结构损伤识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279959A (zh) * | 2013-06-13 | 2013-09-04 | 北京工业大学 | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 |
CN103279932A (zh) * | 2013-06-05 | 2013-09-04 | 北京工业大学 | 一种二维合成稀疏模型和基于该模型的字典训练方法 |
-
2016
- 2016-03-17 CN CN201610153994.XA patent/CN105825473B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279932A (zh) * | 2013-06-05 | 2013-09-04 | 北京工业大学 | 一种二维合成稀疏模型和基于该模型的字典训练方法 |
CN103279959A (zh) * | 2013-06-13 | 2013-09-04 | 北京工业大学 | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
"图像场方向导数的局部区域重建";叶学义等;《中国图像图形学报》;20140716;第19卷(第7期);第0998页至第1005页 |
"基于微分近似的图像修复";段汉根等;《信息技术》;20070525(第5期);第25页至第27页 |
Also Published As
Publication number | Publication date |
---|---|
CN105825473A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765296B (zh) | 一种基于递归残差注意力网络的图像超分辨率重建方法 | |
CN110120011B (zh) | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 | |
CN108022212B (zh) | 高分辨率图片生成方法、生成装置及存储介质 | |
CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
CN109903223B (zh) | 一种基于稠密连接网络与生成式对抗网络的图像超分辨率方法 | |
EP1794716A1 (en) | Context-based denoiser that simultaneously updates probabilities for multiple contexts | |
CN112291570B (zh) | 一种基于轻量级可形变卷积神经网络的实时视频增强方法 | |
CN107123094B (zh) | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 | |
CN110211038A (zh) | 基于dirac残差深度神经网络的超分辨率重建方法 | |
WO2019186407A1 (en) | Systems and methods for generative ensemble networks | |
CN111951164B (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
Fan et al. | Compressed multi-scale feature fusion network for single image super-resolution | |
CN106415657A (zh) | 用于增强图像质量的方法和设备 | |
Zhou et al. | Cross-scale residual network: A general framework for image super-resolution, denoising, and deblocking | |
TWI805085B (zh) | 基於機器學習的圖像解碼中色度子採樣格式的處理方法 | |
CN113129212B (zh) | 图像超分辨率重建方法、装置、终端设备及存储介质 | |
Guan et al. | Srdgan: learning the noise prior for super resolution with dual generative adversarial networks | |
CN112270646B (zh) | 基于残差密集跳跃网络的超分辨增强方法 | |
WO2022242122A1 (zh) | 一种视频优化方法、装置、终端设备及存储介质 | |
CN105825473B (zh) | 一种分析稀疏与合成稀疏自适应切换的图像复原方法 | |
US20230336736A1 (en) | Method for chroma subsampled formats handling in machine-learning-based picture coding | |
CN109993701B (zh) | 一种基于金字塔结构的深度图超分辨率重建的方法 | |
CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
Sim et al. | Deep convolutional networks for magnification of DICOM brain images | |
Li et al. | RGSR: A two-step lossy JPG image super-resolution based on noise reduction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |