CN106097266A - 一种基于svd相似矩阵的图像修复方法 - Google Patents
一种基于svd相似矩阵的图像修复方法 Download PDFInfo
- Publication number
- CN106097266A CN106097266A CN201610407120.2A CN201610407120A CN106097266A CN 106097266 A CN106097266 A CN 106097266A CN 201610407120 A CN201610407120 A CN 201610407120A CN 106097266 A CN106097266 A CN 106097266A
- Authority
- CN
- China
- Prior art keywords
- image
- repaired
- image block
- similar matrix
- matrix
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008439 repair process Effects 0.000 title claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 description 4
- 241001351225 Sergey Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011524 similarity measure 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SVD相似矩阵的图像修复方法,包括:(1)将待修复图像进行SVD分解,通过将相应的奇异值置为零的操作,得到待修复图像的相似矩阵;(2)以待修复区域边界上的每一像素为中心指定待修复图像块,在所述相似矩阵中查找对应的最相似图像块;(3)将所述最相似图像块的像素值赋给所述待修复图像块;(4)更新整个待修复区域,并重复步骤(2)~(3),直到完成图像修复。本发明提出的基于SVD相似矩阵的图像修复方法,通过对图像进行SVD分解,并通过处理奇异值来得到相似矩阵,能够一定程度移除待修复区域,使得最终修复的图像在视觉上更加连续;对于缺失区域较大的场景,也能够有一定程度的效果提升。
Description
技术领域
本发明涉及计算机图像处理领域,深度学习领域,以及矩阵分解、奇异值等相关数学知识,具体涉及一种基于SVD相似矩阵的图像修复方法。
背景技术
图像修复就是重建一幅图像中的缺失区域的过程,通常会使用缺失区域周围的像素信息。修复的目的,就是构建一幅完整的人眼“可观察”的正常图像。
图像修复最早是由Bertalmio等人提出的,常见的一些修复方法都是基于PDE的,也就是通过解偏微分方程的的方程完成修复。Dallester等人基于变分提出了一种新的偏微分方程;Levin等人提出了一种基于梯度域的图像修复方法;Alilou等人提出了一种使用GRNN神经网络的方法,但是对于纹理丰富,缺损区域较大的图像,这些方法都有其局限性。
近期,Xu和Sun(Zongben X,Sun J(2010)Image inpainting by patchpropagation using patch sparsity.IEEE Trans Image Process 19(5):1153–1165)利用稀疏表达的思想,提出了一种基于实例的修复方法,但是这种方法需要一个先验,即假设缺失区域可以用候选的图像块的线性组合来表达。
发明内容
本发明提供了一种基于SVD相似矩阵的图像修复方法,该方法包括,计算待修复图像的相似矩阵,选择的过程对图像块进行了奇异值分解,并依次将奇异值置零以得到相似矩阵。然后,利用神经网络、SSIM、MSE等相关方法查找相似patch,进而完成图像的修复。
一种基于SVD相似矩阵的图像修复方法,包括:
(1)将待修复图像进行SVD分解,通过将相应的奇异值置为零的操作,得到待修复图像的相似矩阵;
(2)以待修复区域边界上的每一像素为中心指定待修复图像块,在所述相似矩阵中查找对应的最相似图像块;
(3)将所述最相似图像块的像素值赋给所述待修复图像块;
(4)更新整个待修复区域,并重复步骤(2)~(3),直到完成图像修复。
在步骤(1)中的相似矩阵In,按照以下公式得到:
其中,U,V为所述待修复图像通过奇异值分解得到的左、右奇异矩阵,S~为奇异值分解得到的对角矩阵中部分对角元素置零后的近似奇异值矩阵。
在步骤(1)中利用神经网络模型计算待修复图像与相似矩阵的相似性,并与阈值比较,如果相似性小于等于阈值,则完成相似矩阵的计算;如果相似性大于阈值,则将对角矩阵中对角元素逐个置零迭代计算,之子获得最终的相似矩阵。
在步骤(1)中奇异值分解得到的对角矩阵为S,
记则
若奇异值个数为m,迭代计算时
在步骤(2)中获取最相似图像块时,在相似矩阵中按照间隔2个像素、从左往右、从上往下的规律,依次扫描得到各个待选图像块,再计算和比较各待选图像块与待修复图像块的相似性以及关系。
在步骤(2)中各待选图像块与待修复图像块的相似性为:
其中,x,y表示待比较的待修复图像块和待选图像块,μx,μy为x,y的均值,σx,σy为x,y的标准差,σxy为x,y的协方差,c1、c2为常数。
在步骤(2)中各待选图像块与待修复图像块的关系为:
Px为待修复图像块;
Py为待选图像块;
其中n表示Px中已经填充的像素的个数;
所述最相似图像块为的simx,y值最小的待选图像块。
与现有技术相比,本发明的有益效果为:
(1)本发明提出一种基于SVD相似矩阵的图像修复方法,通过采用相似矩阵,能够一定程度移除待修复区域,这样可以使最最终修复的图像视觉上更加连续。
(2)本发明提出的基于SVD相似矩阵的图像修复方法,对于缺失区域较大的场景,也能够有一定程度的效果提升。
具体实施方式
下面将结合具体实施例对本发明进行详细说明。本发明基于SVD相似矩阵的图像修复方法主要步骤如下:
(1)记输入的待修复图像为I(本实施中,I的大小为256×256),标记待修复区域为Ω。
(2)指定待修复区域的边界像素点集合为如果Ω为空,则处理过程结束。
(3)对输入的图像做如下初步修复操作:
(3-1)对图像I做SVD分解:
[U S V]=SVD(I)
其中,SVD表示奇异值分解操作,U,S,V分别表示最终分解得到的左奇异矩阵、对角矩阵和右奇异矩阵。
(3-2)记上述分解得到的对角矩阵S的对角元素为s11,s22,s33...snn,其中n为奇异值个数(本实施中,n=256),且满足s11≥s22≥s33≥...snn≥0,现进行以下迭代操作:
(3-2-1)令snn=0,计算其中U,V为步骤(3-1)计算得到的左、右奇异矩阵,是将S最后奇异值snn改为零后得到的矩阵,符号表示为:
记则
(3-2-2)参考“Zagoruyko,Sergey,and Nikos Komodakis.Learning to compareimage patches via convolutional neural networks(2015)”提出的神经网络(文中已给出训练好的模型),计算I、In之间的相似性s(I,In):
首先,将I、In均分为64×64的图像块对,具体实施时,共有16对图像块;其次,将每一对图像块,分别输入上述神经网络,经过一系列的卷积层、ReLU激活层、池化层,最终进入到一个称为“decision network”的网络结构;最后,通过上述网络结构,经数据处理后输出一个相似性度量值,即求得I、In的相似性s(I,In)。
整个数据的处理过程是end-to-end的,中间不需要手动的操作,或是添加额外的信息。
(3-2-3)将计算得到的s(I,In)值与一个阈值thr=0.6比较,如果小于等于阈值,则迭代停止,进行步骤(4),此时的“近似”图像记为Τ;如果大于阈值,则令n=n-1,返回(3-2-1)继续迭代。
(4)检查待修复区域Ω,如果不为空,则标明待修复区域Ω中的边界像素点,其集合记为Τboundary;如果为空,则整个处理过程结束。
(5)对于Τboundary中的每个元素x,即待修复区域边界上的一个像素点,以其为中心,大小为h(本实施中,h=11×11)的图像块儿Px,进行以下处理:
(5-1)在图像Τ中,提取同样大小为h的图像块儿Py(图像Τ中的每个元素y,即图像T上的一个像素点,都对应一个图像块。具体实施中,按照大小为h、间隔2个像素、从左往右、从上往下的规律,依次扫描图像T得到图像块儿Py),然后,按照以下公式,计算两图像块Px与Py之间的相似性:
其中,x,y表示两个待比较的图像块Px、Py,μx,μy为x,y的均值(像素值加和后除以总的像素个数),σx,σy为x,y的标准差,σxy为x,y的协方差,c1、c2为较小的常数(具体实施时,c1=6.5,c2=58.5)。
(5-2)将上述计算得到的SSIM(x,y)值从小到大排序,选择前K个SSIM(x,y)对应的图像块Py,形成的集合记为C,这里K表示被选择的图像块儿的个数,一般取值为(其中表示“向下取整”,比如img_width表示输入图像I的宽,img_height表示输入图像I的高,具体实施中K=256)。
(5-3)对于C中的每一个图像块Py,按照以下公式计算与初提取的图像块Px之间的关系:
其中n表示Px中已经填充的像素的个数(未填充的意味着尚待修复),SSIM(x,y)即为上述所计算的值。
(5-4)根据计算得到的simx,y找到最小的那个值,该值对应图像T中的图像块为然后,将Px中位于修复区域Ω中的像素,置为对应的中相应位置的像素值。
(6)将边界像素点集合从Ω中移除,即更新Ω,返回(2)继续执行。
Claims (7)
1.一种基于SVD相似矩阵的图像修复方法,其特征在于,包括:
(1)将待修复图像进行SVD分解,通过将相应的奇异值置为零的操作,得到待修复图像的相似矩阵;
(2)以待修复区域边界上的每一像素为中心指定待修复图像块,在所述相似矩阵中查找对应的最相似图像块;
(3)将所述最相似图像块的像素值赋给所述待修复图像块;
(4)更新整个待修复区域,并重复步骤(2)~(3),直到完成图像修复。
2.如权利要求1所述的基于SVD相似矩阵的图像修复方法,其特征在于,在步骤(1)中的相似矩阵In,按照以下公式得到:
其中,U,V为所述待修复图像通过奇异值分解得到的左、右奇异矩阵,为奇异值分解得到的对角矩阵中部分对角元素置零后的近似奇异值矩阵。
3.如权利要求2所述的基于SVD相似矩阵的图像修复方法,其特征在于,在步骤(1)中利用神经网络模型计算待修复图像与相似矩阵的相似性,并与阈值比较,如果相似性小于等于阈值,则完成相似矩阵的计算;如果相似性大于阈值,则将对角矩阵中对角元素逐个置零迭代计算,之子获得最终的相似矩阵。
4.如权利要求3所述的基于SVD相似矩阵的图像修复方法,其特征在于,在步骤(1)中奇异值分解得到的对角矩阵为S,
记则
若奇异值个数为m,迭代计算时
5.如权利要求4所述的基于SVD相似矩阵的图像修复方法,其特征在于,在步骤(2)中获取最相似图像块时,在相似矩阵中按照间隔2个像素、从左往右、从上往下的规律,依次扫描得到各个待选图像块,再计算和比较各待选图像块与待修复图像块的相似性以及关系。
6.如权利要求5所述的基于SVD相似矩阵的图像修复方法,其特征在于,在步骤(2)中各待选图像块与待修复图像块的相似性为:
其中,x,y表示待比较的待修复图像块和待选图像块,μx,μy为x,y的均值,σx,σy为x,y的标准差,σxy为x,y的协方差,c1、c2为常数。
7.如权利要求6所述的基于SVD相似矩阵的图像修复方法,其特征在于,在步骤(2)中各待选图像块与待修复图像块的关系为:
Ρx为待修复图像块;
Ρy为待选图像块;
其中n表示Ρx中已经填充的像素的个数;
所述最相似图像块为的simx,y值最小的待选图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407120.2A CN106097266A (zh) | 2016-06-08 | 2016-06-08 | 一种基于svd相似矩阵的图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407120.2A CN106097266A (zh) | 2016-06-08 | 2016-06-08 | 一种基于svd相似矩阵的图像修复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097266A true CN106097266A (zh) | 2016-11-09 |
Family
ID=57227753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610407120.2A Pending CN106097266A (zh) | 2016-06-08 | 2016-06-08 | 一种基于svd相似矩阵的图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097266A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650794A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 一种受物体表面高光反射影响的图像高光消除方法及系统 |
CN108615225A (zh) * | 2018-04-11 | 2018-10-02 | 浙江传媒学院 | 一种基于svd近似矩阵约束的图像深度学习修复方法 |
CN111626945A (zh) * | 2020-04-23 | 2020-09-04 | 泰山学院 | 一种基于像素级自相似模型的深度图像修复方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833752A (zh) * | 2010-04-20 | 2010-09-15 | 南京航空航天大学 | 基于奇异值分解重构的红外小目标预处理方法 |
CN101833751A (zh) * | 2010-04-20 | 2010-09-15 | 南京航空航天大学 | 基于奇异值分解的去除热晕模糊的方法 |
-
2016
- 2016-06-08 CN CN201610407120.2A patent/CN106097266A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833752A (zh) * | 2010-04-20 | 2010-09-15 | 南京航空航天大学 | 基于奇异值分解重构的红外小目标预处理方法 |
CN101833751A (zh) * | 2010-04-20 | 2010-09-15 | 南京航空航天大学 | 基于奇异值分解的去除热晕模糊的方法 |
Non-Patent Citations (3)
Title |
---|
SERGEY ZAGORUYKO: "Learning to Compare Image Patches via Convolutional Neural Networks", 《COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
VAHID K. ALILOU等: "Exemplar-based image inpainting using svd-based approximation matrix and multi-scale analysis", 《MULTIMED TOOLS APPL》 * |
黄江林等: "一种改进的基于 K-SVD 字典的图像修复算法", 《安徽大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650794A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 一种受物体表面高光反射影响的图像高光消除方法及系统 |
CN106650794B (zh) * | 2016-11-24 | 2019-10-01 | 北京理工大学 | 一种受物体表面高光反射影响的图像高光消除方法及系统 |
CN108615225A (zh) * | 2018-04-11 | 2018-10-02 | 浙江传媒学院 | 一种基于svd近似矩阵约束的图像深度学习修复方法 |
CN111626945A (zh) * | 2020-04-23 | 2020-09-04 | 泰山学院 | 一种基于像素级自相似模型的深度图像修复方法 |
CN111626945B (zh) * | 2020-04-23 | 2023-07-25 | 泰山学院 | 一种基于像素级自相似模型的深度图像修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510485B (zh) | 一种基于卷积神经网络的无参照图像质量评估方法 | |
CN109410261B (zh) | 基于金字塔池化模块的单目图像深度估计方法 | |
CN111640159B (zh) | 一种基于孪生卷积神经网络的遥感影像变化检测方法 | |
CN107092870A (zh) | 一种高分辨率影像语意信息提取方法及系统 | |
CN107766794A (zh) | 一种特征融合系数可学习的图像语义分割方法 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN111325165B (zh) | 考虑空间关系信息的城市遥感影像场景分类方法 | |
CN110503613B (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
CN104504007B (zh) | 一种图像相似度的获取方法及系统 | |
CN107463881A (zh) | 一种基于深度增强学习的人物图像搜索方法 | |
CN106067161A (zh) | 一种对图像进行超分辨的方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN106097266A (zh) | 一种基于svd相似矩阵的图像修复方法 | |
CN110120034B (zh) | 一种与视觉感知相关的图像质量评价方法 | |
CN114022506B (zh) | 一种边缘先验融合多头注意力机制的图像修复方法 | |
CN109191511A (zh) | 一种基于卷积神经网络的双目立体匹配方法 | |
CN109919059A (zh) | 基于深度网络层次化与多任务训练的显著性物体检测方法 | |
CN105976395A (zh) | 一种基于稀疏表示的视频目标跟踪方法 | |
CN107564007A (zh) | 融合全局信息的场景分割修正方法与系统 | |
CN114494821A (zh) | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 | |
CN113962878B (zh) | 一种低能见度图像去雾模型方法 | |
CN113971764B (zh) | 一种基于改进YOLOv3的遥感图像小目标检测方法 | |
CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及系统 |
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 |