CN106097263A - 基于全变分范数图像分块梯度计算的图像重构方法 - Google Patents
基于全变分范数图像分块梯度计算的图像重构方法 Download PDFInfo
- Publication number
- CN106097263A CN106097263A CN201610392351.0A CN201610392351A CN106097263A CN 106097263 A CN106097263 A CN 106097263A CN 201610392351 A CN201610392351 A CN 201610392351A CN 106097263 A CN106097263 A CN 106097263A
- Authority
- CN
- China
- Prior art keywords
- image block
- image
- block
- follows
- pixel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000000205 computational method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005194 fractionation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于全变分范数图像分块梯度计算的图像重构方法,包括图像分块处理、初始化、测量值获取、图像块重构、合并图像块等步骤;在对分块图像进行重构时,除了其最上面一横排图像块和最左面的一竖排图像块,其余的各小块充分地利用已完成重构的上方和左方的图像块的边缘信息,因此,本发明可以有效地去除块效应,减少重建图像所消耗的时间,提高图像的重构质量。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于全变分范数图像分块梯度计算的图像重构方法。
背景技术
传统的图像压缩传感重构算法都是基于整张图像,这在采样过程中消耗了大量的存储空间,并且重构速度较慢。针对上述问题,Lu Gan[58]等人在2007年提出了分块压缩传感(Block Compressed Sensing,BCS),它能够很好地处理大尺度图像问题。分块压缩传感方法指出可以将图像分为一些大小相同的图像块,再利用处理整张图像同样的采样方法对各个图像块进行采样,然后对各个图像块进行处理操作。分块压缩传感方法可以减少采样中所需的存储空间,降低图像重建的难度,在对整张图像进行编码前不用传输整张图像的采样数据,此过程不仅节省了大量的存储空间而且节约了大把时间,但是它在重构图像时,会存在大量的噪声并且伴有块效应。
全变分(Total Variation,TV)概念最早是由Rudin,Osher等人提出的,用来解决图像去噪问题。全变分方法不仅能够消去图像噪声,而且在图像重构中全变分可以有效地保留图像的边缘与纹理等信息,所以全变分是在图像处理领域中最流行的变分模型之一。Rudin和Osher等人在研究偏微分问题中发现,含有噪声的图像的总变分会大于不含噪声图像的总变分,因此他们提出了用全变分作为图像的平滑度的指标,并且采用最小全变分来消除图像中的噪声,使得图像变的更加清晰。虽然全变分算法能够精确地重构图像,而且具有很强的鲁棒性。但是全变分算法的缺点也是相当地明显,就是运算的过程缓慢,重构所耗时间较长。
发明内容
针对全变分算法能够重构精确高但重构的速度较为缓慢,而分块压缩传感在运算中虽然刻意节省存储空间,缩短图像重构的时间,但会带来块效应等问题,本发明提出一种基于全变分范数图像分块梯度计算的图像重构方法,结合两者优点并改进算法从而减少重建图像所消耗的时间,提高图像的重构质量。通过改进图像的梯度的方法,并利用已完成重构的图像块的边缘像素信息,有效地去除块效应。
为了实现上述目的,本发明具体技术方案如下:一种基于全变分范数图像分块梯度计算的图像重构方法,包括如下步骤:
1)图像分块:将大小为M×N的图像u分成大小为n×n的图像块,其中,n为M、N的公约数,满足s=M/n,t=N/n,即待处理图像被分成H=s×t个图像块,图像块从左到右,从上到下依次记为K1,K2…KH;
2)初始化图像块变量c=1;
3)利用测量矩阵对图像块Kc进行随机测量,得到图像块Kc随机像素点的像素值矩阵y;
4)计算图像块Kc水平方向和垂直方向的梯度值,其中,若图像块uc位于第1行第1列,水平方向和垂直方向的梯度值计算方法如下:
其中,Dh(i,j)表示像素点(i,j)的水平梯度值,Dv(i,j)表示像素点(i,j)的垂直梯度值,Ki,j表示像素点(i,j)的像素值,i和j满足i∈[1,n],j∈[1,n],转步骤8),否则转步骤5);
5)若图像块Kc位于第1行,水平方向和垂直方向的梯度值的计算方法如下:
其中,Ui,n用来表示待重构块Kc的上方图像块的边缘信息,转步骤8),否则转步骤6);
6)若图像块Kc位于第1列,水平方向和垂直方向的梯度值的计算方法如下:
转步骤8),否则转步骤7);
7)水平方向和垂直方向的梯度值的计算方法如下:
其中,Ln,j用来表示待重构块Kc的左方图像块的边缘信息,转步骤8);
8)对图像块Kc进行压缩传感重构;
9)修改图像块变量:c=c+1,转步骤10);
10)如果c<=H,转步骤3),否则转步骤11);
11)合并图像块:按照拆分顺序将重构后的图像块合并,整个重构过程结束。
进一步的,上述步骤3)中,像素值矩阵y的计算方法是:y=ΦKc,其中,Φ∈Rn×n为测量矩阵;
进一步的,上述步骤8)中,图像块Kc重构方法如下:其中TVl1/2为待重构块Kc的梯度;
本发明的有益效果在于:本算法能够有效地提高重构图像的质量,节省重构的时间,尤其是在低采样的情况下,效果更加明显。
附图说明
图1基于全变分范数图像分块梯度计算的图像重构流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
图1所示为基于全变分范数图像分块梯度计算的图像重构流程图,包括如下步骤:
1)图像分块:将大小为M×N的图像u分成大小为n×n的图像块,其中,n为M、N的公约数,满足s=M/n,t=N/n,即待处理图像被分成H=s×t个图像块,图像块从左到右,从上到下依次记为K1,K2…KH;
2)初始化图像块变量c=1;
3)通过测量矩阵对图像块Kc进行随机测量,得到图像块Kc随机像素点的像素值矩阵y;其中y=ΦKc,Φ∈Rn×n为测量矩阵;
4)计算图像块Kc水平方向和垂直方向的梯度值,其中,若图像块Kc位于第1行第1列,水平方向和垂直方向的梯度值计算方法如下:
其中,Dh(i,j)表示像素点(i,j)的水平梯度值,Dv(i,j)表示像素点(i,j)的垂直梯度值,Ki,j表示对应于测量矩阵y中坐标(i,j)像素点的像素值,i和j满足i∈[1,n],j∈[1,n],转步骤8),否则转步骤5);
5)若图像块Kc位于第1行,水平方向和垂直方向的梯度值的计算方法如下:
其中,Ui,n用来表示待重构块Kc的上方图像块的边缘信息,转步骤8),否则转步骤6);
6)若图像块Kc位于第1列,水平方向和垂直方向的梯度值的计算方法如下:
转步骤8),否则转步骤7);
7)水平方向和垂直方向的梯度值的计算方法如下:
其中,Ln,j用来表示待重构块Kc的左方图像块的边缘信息,转步骤8);
8)对图像块Kc进行压缩传感重构,重构方法如下:其中TVl1/2为待重构块Kc的梯度;
9)修改图像块变量,c=c+1,转步骤10);
10)如果c<=H,转步骤3),否则转步骤11);
11)合并图像块,按照拆分顺序将重构后的图像块合并,整个重构过程结束。
Claims (3)
1.一种基于全变分范数图像分块梯度计算的图像重构方法,其特征在于包括如下步骤:
1)图像分块:将大小为M×N的图像u分成大小为n×n的图像块,其中,n为M、N的公约数,满足s=M/n,t=N/n,即待处理图像被分成H=s×t个图像块,图像块从左到右,从上到下依次记为K1,K2…KH;
2)初始化图像块变量c=1;
3)利用测量矩阵对图像块Kc进行随机测量,得到图像块Kc随机像素点的像素值矩阵y;
4)计算图像块Kc水平方向和垂直方向的梯度值,其中,若图像块uc位于第1行第1列,水平方向和垂直方向的梯度值计算方法如下:
其中,Dh(i,j)表示像素点(i,j)的水平梯度值,Dv(i,j)表示像素点(i,j)的垂直梯度值,Ki,j表示像素点(i,j)的像素值,i和j满足i∈[1,n],j∈[1,n],转步骤8),否则转步骤5);
5)若图像块Kc位于第1行,水平方向和垂直方向的梯度值的计算方法如下:
其中,Ui,n用来表示待重构块Kc的上方图像块的边缘信息,转步骤8),否则转步骤6);
6)若图像块Kc位于第1列,水平方向和垂直方向的梯度值的计算方法如下:
转步骤8),否则转步骤7);
7)水平方向和垂直方向的梯度值的计算方法如下:
其中,Ln,j用来表示待重构块Kc的左方图像块的边缘信息,转步骤8);
8)对图像块Kc进行压缩传感重构;
9)修改图像块变量:c=c+1,转步骤10);
10)如果c<=H,转步骤3),否则转步骤11);
11)合并图像块,按照拆分顺序将重构后的图像块合并,整个重构过程结束。
2.如权利要求1所述的基于全变分范数图像分块梯度计算的图像重构方法,其特征在于:所述步骤3)中,像素值矩阵y的计算方法是:y=ΦKc,其中,Φ∈Rn×n为测量矩阵。
3.如权利要求1所述的基于全变分范数图像分块梯度计算的图像重构方法,其特征在于:所述步骤8)中图像块Kc重构方法如下:s.t.ΦKc=y,其中
TVl1/2为待重构块Kc的梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610392351.0A CN106097263A (zh) | 2016-06-03 | 2016-06-03 | 基于全变分范数图像分块梯度计算的图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610392351.0A CN106097263A (zh) | 2016-06-03 | 2016-06-03 | 基于全变分范数图像分块梯度计算的图像重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097263A true CN106097263A (zh) | 2016-11-09 |
Family
ID=57448147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610392351.0A Pending CN106097263A (zh) | 2016-06-03 | 2016-06-03 | 基于全变分范数图像分块梯度计算的图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097263A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274358A (zh) * | 2017-05-23 | 2017-10-20 | 广东工业大学 | 基于cGAN算法的图像超分辨恢复技术 |
CN109391321A (zh) * | 2018-11-20 | 2019-02-26 | 山东大学 | 一种相位敏感otdr传感中扰动定位方法 |
WO2022037146A1 (zh) * | 2020-08-21 | 2022-02-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备、计算机存储介质和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332153A (zh) * | 2011-09-13 | 2012-01-25 | 西安电子科技大学 | 基于核回归的图像压缩感知重构方法 |
CN102393958A (zh) * | 2011-07-16 | 2012-03-28 | 西安电子科技大学 | 基于压缩感知的多聚焦图像融合方法 |
US20140063314A1 (en) * | 2012-02-28 | 2014-03-06 | Aswin C Sankaranarayanan | System And Method Of Video Compressive Sensing For Spatial-Multiplexing Cameras |
-
2016
- 2016-06-03 CN CN201610392351.0A patent/CN106097263A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393958A (zh) * | 2011-07-16 | 2012-03-28 | 西安电子科技大学 | 基于压缩感知的多聚焦图像融合方法 |
CN102332153A (zh) * | 2011-09-13 | 2012-01-25 | 西安电子科技大学 | 基于核回归的图像压缩感知重构方法 |
US20140063314A1 (en) * | 2012-02-28 | 2014-03-06 | Aswin C Sankaranarayanan | System And Method Of Video Compressive Sensing For Spatial-Multiplexing Cameras |
Non-Patent Citations (1)
Title |
---|
李凯 等: "基于TV准则的图像分块重构算法的研究", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274358A (zh) * | 2017-05-23 | 2017-10-20 | 广东工业大学 | 基于cGAN算法的图像超分辨恢复技术 |
CN109391321A (zh) * | 2018-11-20 | 2019-02-26 | 山东大学 | 一种相位敏感otdr传感中扰动定位方法 |
CN109391321B (zh) * | 2018-11-20 | 2021-05-18 | 山东大学 | 一种相位敏感otdr传感中扰动定位方法 |
WO2022037146A1 (zh) * | 2020-08-21 | 2022-02-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备、计算机存储介质和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Application of RNAMlet to surface defect identification of steels | |
CN108805863B (zh) | 深度卷积神经网络结合形态学检测图像变化的方法 | |
CN107767349B (zh) | 一种图像局部对比度增强的方法 | |
Smith et al. | Classification of archaeological ceramic fragments using texture and color descriptors | |
CN102332153B (zh) | 基于核回归的图像压缩感知重构方法 | |
CN108053417A (zh) | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 | |
CN109389585A (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
CN107967673B (zh) | 一种自适应样本块图像修复方法 | |
CN102800094A (zh) | 一种快速彩色图像分割方法 | |
CN106097263A (zh) | 基于全变分范数图像分块梯度计算的图像重构方法 | |
CN102930576A (zh) | 一种基于特征流的抽象线条画生成方法 | |
CN106709872A (zh) | 一种快速图像超分辨率重构方法 | |
CN108074223A (zh) | 煤岩序列ct图中裂隙网络自动提取方法 | |
CN105913383A (zh) | 基于图像块先验估计混合框架的图像降噪方法 | |
CN104252704A (zh) | 基于总广义变分的红外图像多传感器超分辨率重建方法 | |
CN104299201B (zh) | 基于遗传稀疏优化的图像重构方法 | |
CN101976440A (zh) | 一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法 | |
CN101430789B (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
CN104952071A (zh) | 一种基于灰度空间相关的最大类间方差图像分割算法 | |
CN107292821A (zh) | 一种超分辨率图像重建方法及系统 | |
CN102903087B (zh) | 基于gpu编程的sar图像去噪方法 | |
CN108171659A (zh) | 一种基于k-svd字典的图像修复方法 | |
CN104063855A (zh) | 一种基于分类字典库的超分辨率图像重构方法及装置 | |
Liu et al. | Mendable consistent orientation of point clouds | |
CN103413306A (zh) | 一种自适应阈值的Harris角点检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |