CN107038730B - 基于高斯尺度结构块分组的稀疏表示图像重建方法 - Google Patents
基于高斯尺度结构块分组的稀疏表示图像重建方法 Download PDFInfo
- Publication number
- CN107038730B CN107038730B CN201710200185.4A CN201710200185A CN107038730B CN 107038730 B CN107038730 B CN 107038730B CN 201710200185 A CN201710200185 A CN 201710200185A CN 107038730 B CN107038730 B CN 107038730B
- Authority
- CN
- China
- Prior art keywords
- model
- image
- sparse
- block
- local
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000001360 synchronised effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 29
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013179 statistical model Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供一种基于高斯尺度结构块分组的稀疏表示图像重建方法,包括如下步骤:利用从自然图像中训练出的非局部自相似模型,将非局部相似块混合进用先验模型方法所得的分组里,利用搜索方法提取出最优块分组模型;联合块分组模型与非局部扩展高斯尺度混合模型,利用交替最小化方法进行同步稀疏编码,求解更新图像块;将块分组模型和高斯尺度混合模型联合到编码框架中,利用选择的训练字典来计算联合模型所求得的图像重建更新解,并将此更新解值送回到块分组模型中再次进行步骤一和步骤二流程操作,如此反复迭代,直到最优解生成,则输出重建图像的最优解。该方法所获得的重建图像具有较好的边缘、纹理等细节保持性能和更好的峰值信噪比质量。
Description
技术领域
本发明属于图像超分辨率重建技术领域,具体涉及一种基于高斯尺度结构块分组的稀疏表示图像重建方法。
背景技术
随着信息时代的迅猛发展,数字图像以其良好的性能被广泛使用,现已成为人类传递信息的最重要载体之一。然而,在图像的成像、传输、转换、存储、复制和显示等过程中,由于成像设备自身固有的物理局限性和不可预知的外部环境等不利因素的影响,所获取的图像经常是降质图像。
为恢复降质图像中的有用信息,图像超分辨率修复技术已成为计算机视觉、计算机图形学等领域的一个研究热点,而对于高腐化图像的良好恢复,以及在特殊领域对图像重建分辨率的极高要求,急需更优秀的图像重建算法技术,来给生活和工作中数字化图像信息的传播与获取带来极大的效益。
目前,现有的图像重建技术在峰值信噪比以及图像相似度上还可以更进一步提高与改进,以更好的适应在各种严重不可抗因素下造成的图像信息传输过程中的缺失的恢复,与重建图像分辨率的提高。
发明内容
为了克服上述现有技术存在的不足,以及加强现有图像重建算法的性能,本发明提出一种基于图像信号的高斯尺度混合结构块分组的稀疏表示图像重建方法,该方法所获得的重建图像具有较好的边缘、纹理等细节保持性能和更好的峰值信噪比质量。
为了达到上述目的,本发明所采用的技术方案是:基于高斯尺度结构块分组的稀疏表示图像重建方法,包括如下步骤:
步骤一,利用从自然图像中训练出的非局部自相似模型,将非局部相似块混合进用先验模型方法所得的分组里,利用搜索方法提取出最优块分组模型;
步骤二,联合块分组模型与非局部扩展高斯尺度混合模型,利用交替最小化方法进行同步稀疏编码,求解更新图像块;
步骤三,将块分组模型和高斯尺度混合模型联合到编码框架中,利用选择的训练字典来计算联合模型所求得的图像重建更新解,并将此更新解值送回到块分组模型中再次进行步骤一和步骤二流程操作,如此反复迭代,直到最优解生成,则输出重建图像的最优解。
进一步地,步骤一中,所述利用搜索方法提取出最优块分组模型具体方法包括:先从自然图像中训练出确定的非局部自相似模型,再将非局部相似块混合入用先验模型方法所得的已分成的组里,然后,通过在邻域最大范围内找寻相似块来进行块分组搜索,在训练图像中提取块分组模型,再将此分组块用来训练非局部自相似模型,利用新的非局部自相似模型,再次将非局部相似块融入分组块来进行搜索,迭代多次,从而得出最优块分组模型。
进一步地,步骤二中,所述联合块分组模型与非局部扩展高斯尺度混合模型包括:对于所得到的每个分组块都对其稀疏编码,对于遵循拉普拉斯分布的稀疏编码系数引入权向量来对稀疏系数向量进行加权,利用高斯尺度混合模型把稀疏向量a分解为高斯向量β和隐性标量θ乘法器,以此来对稀疏向量进行建模,最后,将块分组模型与高斯尺度混合模型进行联合,实现块分组和高斯尺度混合的统一编码框架。
更进一步地,所述方法将原始图像信号定义为x∈RN,该信号可由字典Φ中的某几个原子的线性组合来表示,即x≈Φa,对于给定的一个字典Φ∈Rn×M(n<M),可对每个图像块xi进行稀疏编码,即xi≈Φai,其中,ai表示图像块i的稀疏编码系数;同时,还将对编码向量a引入一个加权向量w来对稀疏编码向量进行约束,所以,稀疏表示模型可表示为式(1)所示:
其中,Φ为字典,a为稀疏编码系数向量,λ为正则化参数,要解决范数最小化问题,可以近似为利用最大后验概率(MAP)理论通过同样的独立分布拉普拉斯先验概率来解稀疏系数a,即P(ai)=eγ/2θi,其中,γ=-|ai|/θi,θi为ai的标准推导因子,而正则化参数λi=2σ2/θi,其中,σ2表示近似变分误差;
所述方法通过高斯尺度混合模型来对稀疏向量进行建模,把稀疏向量a分解为高斯向量β和隐性标量θ乘法器,即ai=θi·βi,其中,θi是由最大后验概率得到的参数,采用该模型可以从稀疏系数统计模型中一般化稀疏先验概率;收集相似块,通过先验联合了稀疏系数的特性,使密度函数近似,方便求解,所以,可设高斯尺度混合模型收集到m个相似块,其结构分组系数模型表示如式(2)所示:
进一步地,步骤二中,所述利用交替最小化方法进行同步稀疏编码具体方法包括:为确保求解重建图像结果以及更新出的参数β与θ值准确有效,可以通过修正更新的θ与β值来求解其各自的最小值,即利用修正的β值求θ值,而对于修正的θ值则用来反求解β值;如此,则为利用交替最小化方法进行同步稀疏编码,从而求解出图像块。
更进一步地,所述交替最小化方法包括:确保求解以及更新出的β与θ值准确有效,该方法的关键技术在于通过修正的θ,β值来求解其各自的最小值,利用修正的β求θ值,而对于修正的θ则用来求解β;这样最大后验估计的稀疏系数和比例变量可以通过交替最小化的方法进行有效地计算出来;为了从(2)式中得到最优的非凸函数惩罚因子,可以使用与凸函数不同的局部最小化原则,惩罚因子可以线性近似,因此非凸目标函数的局部最小值可以通过加权迭代求解优化问题,综上所述,重构图像求解表示为式(3)所示:
进一步地,步骤三中,利用选择的训练字典来计算联合模型所求得的图像重建更新解具体方法包括:为适应局部结构描述,利用主成分分析(PCA)方法,来为每组图像块族群训练字典,并且利用正交字典来简化稀疏模型的贝叶斯推理;利用PCA与K聚类方法构造出一个大的过完备字典,将自然图像的所有局部结构描述出来,并构造出当前新的重建图像。
进一步地,步骤三中,再次进行步骤一和步骤二流程操作,如此反复迭代,直到最优解生成方法包括:通过执行步骤一和步骤二,首次新生成的重建图像的质量并不完美,故将所得更新图像送入步骤一入口处,再次执行步骤一和步骤二操作流程,加强重建质量,如此,反复多次迭代后,最终,生成高质量的重建图像。
进一步地,所述方法结合稀疏非局部正则化编码和块分组加权编码方法到基于结构稀疏的高斯尺度混合同步稀疏编码中,将基于非局部相似性的块分组优势用到加权同步编码的前序工作中来,这样就得到了优化的图像分组块,再将分组好的图相块族群经过高斯尺度稀疏编码图像块来进一步重建,在结构编码框架下,利用非局部延长高斯尺度混合模型进行稀疏系数同步编码,最后,将得到的重建块进行联合,得到最终的去噪重建图像。
与现有技术相比,本发明基基于高斯尺度结构块分组的稀疏表示图像重建方法,具有以下有益效果:对于去噪差分辨率重建出的图像结果,不仅保留了图像的边缘细节效果,还有效的抑制了不良工件,该方法较同类高效优质的算法得到了更高的图像峰值信噪比,以及与原图较高的相似度质量。
附图说明
图1是本发明的高斯混合结构块分组稀疏表示图像重建方法结构示意图。
图2是本发明的高斯混合结构块分组稀疏表示图像重建方法的算法流程图。
图3是本发明实施例图像重建简图及峰值信噪比数据结果对比图。
具体实施方式
以下通过实施例形式对本发明的上述内容再作进一步的详细说明,但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明上述内容所实现的技术均属于本发明的范围。
如图1所示,本发明的基于高斯尺度结构块分组的稀疏表示图像重建方法,包括如下步骤:
步骤一,利用从自然图像中训练出的非局部自相似模型,将非局部相似块混合进用先验模型方法所得的分组里,利用搜索方法提取出最优块分组模型;
步骤二,联合块分组模型与非局部扩展高斯尺度混合模型,利用交替最小化方法进行同步稀疏编码,求解更新图像块;
步骤三,将块分组模型和高斯尺度混合模型联合到编码框架中,利用选择的训练字典来计算联合模型所求得的图像重建更新解,并将此更新解值送回到块分组模型中再次进行步骤一和步骤二流程操作,如此反复迭代,直到最优解生成,则输出重建图像的最优解。
步骤一中,所述利用搜索方法提取出最优块分组模型具体方法包括:先从自然图像中训练出确定的非局部自相似模型,再将非局部相似块混合入用先验模型方法所得的已分成的组里,然后,通过在邻域最大范围内找寻相似块来进行块分组搜索,在训练图像中提取块分组模型,再将此分组块用来训练非局部自相似模型,利用新的非局部自相似模型,再次将非局部相似块融入分组块来进行搜索,迭代多次,从而得出最优块分组模型。
步骤二中,所述联合块分组模型与非局部扩展高斯尺度混合模型包括:对于所得到的每个分组块都对其稀疏编码,对于遵循拉普拉斯分布的稀疏编码系数引入权向量来对稀疏系数向量进行加权,利用高斯尺度混合模型把稀疏向量a分解为高斯向量β和隐性标量θ乘法器,以此来对稀疏向量进行建模,最后,将块分组模型与高斯尺度混合模型进行联合,实现块分组和高斯尺度混合的统一编码框架。
进一步地,所述方法将原始图像信号定义为x∈RN,该信号可由字典Φ中的某几个原子的线性组合来表示,即x≈Φa,对于给定的一个字典Φ∈Rn×M(n<M),可对每个图像块xi进行稀疏编码,即xi≈Φai,其中,ai表示图像块i的稀疏编码系数;同时,还将对编码向量a引入一个加权向量w来对稀疏编码向量进行约束,所以,稀疏表示模型可表示为式(1)所示:
其中,Φ为字典,a为稀疏编码系数向量,λ为正则化参数,要解决范数最小化问题,可以近似为利用最大后验概率(MAP)理论通过同样的独立分布拉普拉斯先验概率来解稀疏系数a,即P(ai)=eγ/2θi,其中,γ=-|ai|/θi,θi为ai的标准推导因子,而正则化参数λi=2σ2/θi,其中,σ2表示近似变分误差;
所述方法通过高斯尺度混合模型来对稀疏向量进行建模,把稀疏向量a分解为高斯向量β和隐性标量θ乘法器,即ai=θi·βi,其中,θi是由最大后验概率得到的参数,采用该模型可以从稀疏系数统计模型中一般化稀疏先验概率;收集相似块,通过先验联合了稀疏系数的特性,使密度函数近似,方便求解,所以,可设高斯尺度混合模型收集到m个相似块,其结构分组系数模型表示如式(2)所示:
步骤二中,所述利用交替最小化方法进行同步稀疏编码具体方法包括:为确保求解重建图像结果以及更新出的参数β与θ值准确有效,可以通过修正更新的θ与β值来求解其各自的最小值,即利用修正的β值求θ值,而对于修正的θ值则用来反求解β值;如此,则为利用交替最小化方法进行同步稀疏编码,从而求解出图像块。
进一步地,所述交替最小化方法包括:确保求解以及更新出的β与θ值准确有效,该方法的关键技术在于通过修正的θ,β值来求解其各自的最小值,利用修正的β求θ值,而对于修正的θ则用来求解β;这样最大后验估计的稀疏系数和比例变量可以通过交替最小化的方法进行有效地计算出来;为了从(2)式中得到最优的非凸函数惩罚因子,可以使用与凸函数不同的局部最小化原则,惩罚因子可以线性近似,因此非凸目标函数的局部最小值可以通过加权迭代求解优化问题,综上所述,重构图像求解表示为式(3)所示:
步骤三中,利用选择的训练字典来计算联合模型所求得的图像重建更新解具体方法包括:为适应局部结构描述,利用主成分分析(PCA)方法,来为每组图像块族群训练字典,并且利用正交字典来简化稀疏模型的贝叶斯推理;利用PCA与K聚类方法构造出一个大的过完备字典,将自然图像的所有局部结构描述出来,并构造出当前新的重建图像。
步骤三中,再次进行步骤一和步骤二流程操作,如此反复迭代,直到最优解生成方法包括:通过执行步骤一和步骤二,首次新生成的重建图像的质量并不完美,故将所得更新图像送入步骤一入口处,再次执行步骤一和步骤二操作流程,加强重建质量,如此,反复多次迭代后,最终,生成高质量的重建图像。
所述方法结合稀疏非局部正则化编码和块分组加权编码方法到基于结构稀疏的高斯尺度混合同步稀疏编码中,将基于非局部相似性的块分组优势用到加权同步编码的前序工作中来,这样就得到了优化的图像分组块,再将分组好的图相块族群经过高斯尺度稀疏编码图像块来进一步重建,在结构编码框架下,利用非局部延长高斯尺度混合模型进行稀疏系数同步编码,最后,将得到的重建块进行联合,得到最终的去噪重建图像。
下面简要介绍稀疏向量的分解的两个参数:高斯向量和隐性标量乘法器在方法中的联合估计中的相互推导数学基础。
考虑将β和θ进行联合估计,是为了得到更好的适应θi,利用系数稀疏ai进行高斯标准推导得出θi。假设θi是独立同分布的,并且与βi相互独立,满足高斯尺度混合模型的先验概率a就可以表示成其中,由于该分布与常见概率分布所属同一类的概率分布,所以,高斯尺度混合模型可以包含许多拉普拉斯、通用高斯等分布,这样一来,就可以同理给出一个适当的P(θi)。
对于大多数选取的P(θi)并没有一个可供分析的式子P(ai),所以,使得通过最大后验概率估计来计算出ai就变得相对困难,但是,对于这一局限可以通过联合估计θi与ai来共同克服该技术难题。例如,对于观测到的图像x=Φa+v,其中,v表示参入的高斯噪声,它是一个满足期望为零,方差为的正态分布,这样,就可以通过最大后验概率估计数学模型来表示它。
(a,θ)=argmaxlogP(x|a,θ)P(a,θ)
=argmaxlogP(x|a)+logP(a|θ)+logP(θ)
其中,假设期望平均值μi为0,就可以利用偏均值μi来求解ai的值。使用高斯尺度混合模型可以更好地在统计模型中应用稀疏概念,以解决稀疏编码向量在规范的稀疏先验概率估计P(θi)中的求解。在前人研究的基础上,我们知道杰弗里先验概率当中有这通常是模型当中的最好选择。因此,就可以将优化工作表示为:
其中,使P(θ)=∑P(θi),由于,杰弗里先验概率不适用于θi趋近于零时的情况,所以,可以考虑将logθi换成的情况,这当中的是一个保证数值稳定的一个很小的正数,并且为了记述简洁,可以改写为以上的数学模型就可以替换进稀疏编码模型中。
由于高斯尺度混合模型a=Λ·B,Λ是描述选择图像块方差域特性的对角矩阵,所以,依据稀疏编码模型,可以将(a,μ)域转化为(β,γ)域。
以上是对利用高斯尺度混合模型进行参数相互修正的数学理论可行性分析。
本发明利用稀疏非局部正则化编码方法和块分组加权编码,通过在邻域最大范围低找寻相似块来进行块分组,然后,在结构编码框架下,利用非局部延长高斯尺度混合模型进行稀疏系数同步编码,最后,重组图像块得到重构图像。
如图2所示,下面列举具体实施例,对本发明的详细算法流程作如下详细描述。
1.输入:整体图像字典Φ,噪声腐化图像y,高斯混合成分。
3.设置实验中参入的噪声等级量,设置图像块搜寻窗尺寸为30,计算初始图像块的PCA字典。
4.外循环开始:设置迭代次数为k=1:N。
6.对捕获的图像,用基于先验模型的块分组方法,在训练阶段就从干净的自然图像中提取出大量的图像块组。
7.对于每一个相似块可以在所在组中找到相似块,并聚集分组相似块到局部块中,对于每个局部块,在块分组族群中以其为中心的窗口内搜索相似块。
8.内循环开始:针对每个图像块分组
9.计算每个分组块的均值,所得族群的均值就非常接近于原始图像块。
10.对于自然图像分组块,它包含有充分的非局部相似性信息,可以利用高斯模型学习算法的分组块来训练分块组的非局部自相似先验值,来为每个族群选择最合适的高斯成分。
11.对所得的族群块进行加权编码,在分块组中来获得重建图像块。
12.结束内循环。
13.利用高斯尺度混合模型联合同步稀疏编码,利用最大后验概率估计和交替最小化的方法,多次迭代更新θ和β,并互相修正各自的值。
14.利用θ和β参数和式(3)来重建图像块。
15.利用初始PCA字典为图像块更新PCA字典,为每个相似块的集群设计一种局部字典。然后应用PCA对每个聚类群进行基于PCA基的字典学习,并使用这个字典来给当前的聚类群中的块进行编码。
16.通过K均值聚类方法聚集这些块到K聚类,由于这些块在聚类中互相相似,对每个聚类学习一个基于PCA的字典,并用这个紧凑的PCA字典在聚类中来编码这些块。
18.结束外循环。
高斯尺度混合结构块分组稀疏表示图像重建方法可以获得更好的图像重建结果,实验仿真对比现有优秀的PGPD方法和NCSR方法。如图3所示,所得数据结果表明,本方法的去噪效果较同类方法有显著的提高,并且具有较好的边缘和纹理细节保持性能,获得了更好图像恢复质量。
以上所述仅是本发明的优选实施方式,具体实施方式中牵涉到的芯片型号仅仅用来对上述的具体实施方式进行详细说明,不能作为限制本发明保护范围的依据。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.基于高斯尺度结构块分组的稀疏表示图像重建方法,其特征在于,所述图像重建方法包括如下步骤:
步骤一,利用从自然图像中训练出的非局部自相似模型,将非局部相似块混合进用先验模型方法所得的分组里,利用搜索方法提取出最优块分组模型;
步骤一中,所述利用搜索方法提取出最优块分组模型的具体方法包括:先从自然图像中训练出确定的非局部自相似模型,再将非局部相似块混合入用先验模型方法所得的已分成的组里,然后,通过在邻域最大范围内找寻相似块来进行块分组搜索,在训练图像中提取块分组模型,再将此分组块用来训练非局部自相似模型,利用新的非局部自相似模型,再次将非局部相似块融入分组块来进行搜索,迭代多次,从而得出最优块分组模型;
步骤二,联合块分组模型与非局部扩展高斯尺度混合模型,利用交替最小化方法进行同步稀疏编码,求解更新图像块;
步骤二中,所述联合块分组模型与非局部扩展高斯尺度混合模型的具体方法包括:对于所得到的每个分组块都对其稀疏编码,对于遵循拉普拉斯分布的稀疏编码系数引入权向量来对稀疏系数向量进行加权,利用高斯尺度混合模型把稀疏向量a分解为高斯向量β和隐性标量θ乘法器,以此来对稀疏向量进行建模,最后,将块分组模型与高斯尺度混合模型进行联合,实现块分组和高斯尺度混合的统一编码框架;
所述方法将原始图像信号定义为x∈RN,该信号由字典Φ中的某几个原子的线性组合来表示,即x≈Φa,对于给定的一个字典Φ∈Rn×M,n<M,对每个图像块xi进行稀疏编码,即xi≈Φai,其中,ai表示图像块i的稀疏编码系数;同时,还将对编码向量a引入一个加权向量w来对稀疏编码向量进行约束,所以,稀疏表示模型表示为式(1)所示:
其中,Φ为字典,a为稀疏编码系数向量,λ为正则化参数,要解决l1范数最小化问题,近似为利用最大后验概率MAP理论通过同样的独立分布拉普拉斯先验概率来解稀疏系数a,即P(ai)=eγ/2θi,其中,γ=-|ai|/θi,θi为ai的标准推导因子,而正则化参数λi=2σ2/θi,其中,σ2表示近似变分误差;
所述方法通过高斯尺度混合模型来对稀疏向量进行建模,把稀疏向量a分解为高斯向量β和隐性标量θ乘法器,即ai=θi·βi,其中,θi是由最大后验概率得到的参数,采用该模型能够从稀疏系数统计模型中一般化稀疏先验概率;收集相似块,通过先验联合了稀疏系数的特性,使密度函数近似,方便求解,所以,设高斯尺度混合模型收集到m个相似块,其结构分组系数模型表示如式(2)所示:
其中,Y表示搜集到的m个相似块,F表示l1或l2范数,原始矩阵的高斯尺度混合模型为a=ΛB,Λ是描述选择图像块方差域特性的对角矩阵,矩阵B=[β1,…,βm],由βi来同步更新;
步骤二中,所述利用交替最小化方法进行同步稀疏编码的具体方法包括:为确保求解重建图像结果以及更新出的参数β与θ值准确有效,通过修正更新的θ与β值来求解其各自的最小值,即利用修正的β值求θ值,而对于修正的θ值则用来反求解β值;如此,则为利用交替最小化方法进行同步稀疏编码,从而求解出图像块;
所述的交替最小化方法包括:确保求解以及更新出的β与θ值准确有效,该方法的关键技术在于通过修正的θ,β值来求解其各自的最小值,利用修正的β求θ值,而对于修正的θ则用来求解β;这样最大后验估计的稀疏系数和比例变量能够通过交替最小化的方法进行有效地计算出来;为了从(2)式中得到最优的非凸函数惩罚因子,使用与凸函数不同的局部最小化原则,惩罚因子线性近似,因此非凸目标函数的局部最小值能够通过加权迭代求解优化问题,综上所述,重构图像求解表示为式(3)所示:
步骤三,将块分组模型和高斯尺度混合模型联合到编码框架中,利用选择的训练字典来计算联合模型所求得的图像重建更新解,并将此更新解值送回到块分组模型中再次进行步骤一和步骤二流程操作,如此反复迭代,直到最优解生成,则输出重建图像的最优解;
步骤三中,利用选择的训练字典来计算联合模型所求得的图像重建更新解的具体方法包括:为适应局部结构描述,利用主成分分析PCA方法,来为每组图像块族群训练字典,并且利用正交字典来简化稀疏模型的贝叶斯推理;利用PCA与K聚类方法构造出一个大的过完备字典,将自然图像的所有局部结构描述出来,并构造出当前新的重建图像;
步骤三中,再次进行步骤一和步骤二流程操作,如此反复迭代,直到最优解生成的方法包括:通过执行步骤一和步骤二,首次新生成的重建图像的质量并不完美,故将所得更新图像送入步骤一入口处,再次执行步骤一和步骤二操作流程,加强重建质量,如此,反复多次迭代后,最终,生成高质量的重建图像;
所述方法结合稀疏非局部正则化编码和块分组加权编码方法到基于结构稀疏的高斯尺度混合同步稀疏编码中,将基于非局部相似性的块分组优势用到加权同步编码的前序工作中来,这样就得到了优化的图像分组块,再将分组好的图像块族群经过高斯尺度稀疏编码图像块来进一步重建,在结构编码框架下,利用非局部延长高斯尺度混合模型进行稀疏系数同步编码,最后,将得到的重建块进行联合,得到最终的去噪重建图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710200185.4A CN107038730B (zh) | 2017-03-30 | 2017-03-30 | 基于高斯尺度结构块分组的稀疏表示图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710200185.4A CN107038730B (zh) | 2017-03-30 | 2017-03-30 | 基于高斯尺度结构块分组的稀疏表示图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038730A CN107038730A (zh) | 2017-08-11 |
CN107038730B true CN107038730B (zh) | 2020-09-11 |
Family
ID=59533439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710200185.4A Expired - Fee Related CN107038730B (zh) | 2017-03-30 | 2017-03-30 | 基于高斯尺度结构块分组的稀疏表示图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038730B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346167B (zh) * | 2017-12-28 | 2022-02-18 | 深圳中物光子科技有限公司 | 一种基于正交字典下同时稀疏编码的mri图像重构方法 |
CN109615576B (zh) * | 2018-06-28 | 2023-07-21 | 北京元点未来科技有限公司 | 基于级联回归基学习的单帧图像超分辨重建方法 |
CN109171815B (zh) * | 2018-08-27 | 2021-08-03 | 香港理工大学 | 超声装置、超声方法以及计算机可读介质 |
CN109645985B (zh) * | 2019-02-22 | 2021-09-17 | 南京大学 | 一种对单通道孕妇腹壁电母体心电图r峰进行检测的方法 |
CN110766695B (zh) * | 2019-09-26 | 2023-08-22 | 山东工商学院 | 基于图像稀疏表示的抠图方法 |
CN112801884B (zh) * | 2020-11-26 | 2022-04-05 | 四川长虹电器股份有限公司 | 基于外部非局部自相似和改进稀疏表示的图像去噪方法 |
CN112967210B (zh) * | 2021-04-29 | 2022-07-05 | 福州大学 | 一种基于全卷积孪生网络的无人机图像去噪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663686B (zh) * | 2012-03-19 | 2015-02-18 | 西安电子科技大学 | 基于Treelet变换和高斯尺度混合模型的图像去噪方法 |
KR101766328B1 (ko) * | 2015-05-28 | 2017-08-08 | 광주과학기술원 | 현미경 |
CN105488759B (zh) * | 2015-12-09 | 2019-06-04 | 南京邮电大学 | 一种基于局部回归模型的图像超分辨率重建方法 |
CN106203511B (zh) * | 2016-06-12 | 2019-09-10 | 湘潭大学 | 一种图像相似块评估方法 |
-
2017
- 2017-03-30 CN CN201710200185.4A patent/CN107038730B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107038730A (zh) | 2017-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038730B (zh) | 基于高斯尺度结构块分组的稀疏表示图像重建方法 | |
CN103400402B (zh) | 基于低秩结构稀疏的压缩感知mri图像重建方法 | |
Zhussip et al. | Training deep learning based image denoisers from undersampled measurements without ground truth and without image prior | |
Vaswani et al. | Recursive recovery of sparse signal sequences from compressive measurements: A review | |
Ravishankar et al. | Data-driven learning of a union of sparsifying transforms model for blind compressed sensing | |
CN113177882B (zh) | 一种基于扩散模型的单帧图像超分辨处理方法 | |
CN107845065B (zh) | 超分辨率图像重建方法和装置 | |
CN109766863B (zh) | 一种基于局部和稀疏非局部正则的人脸图像超分辨率方法 | |
CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN108765313B (zh) | 基于类内低秩结构表示的高光谱图像去噪方法 | |
Roohi et al. | Dynamic MRI reconstruction using low rank plus sparse tensor decomposition | |
CN105590296A (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
CN111161184B (zh) | 一种基于mcp稀疏约束的快速mr图像去噪方法 | |
Silva et al. | Efficient separable filter estimation using rank-1 convolutional dictionary learning | |
CN112184571A (zh) | 一种基于非凸秩近似的鲁棒主成分分析方法 | |
Tang et al. | Accelerating deep unrolling networks via dimensionality reduction | |
Ikram et al. | Enhancing MR image reconstruction using block dictionary learning | |
Li et al. | Nonconvex L1/2-regularized nonlocal self-similarity denoiser for compressive sensing based CT reconstruction | |
Tesfamicael et al. | Clustered compressive sensing: Application on medical imaging | |
Akbari et al. | Residual based compressed sensing recovery using sparse representations over a trained dictionary | |
Filipović et al. | A comparison of dictionary based approaches to inpainting with an emphasis to independent component analysis learned dictionaries | |
Xie et al. | A probabilistic model-based method with nonlocal filtering for robust magnetic resonance imaging reconstruction | |
Elata et al. | Adaptive Compressed Sensing with Diffusion-Based Posterior Sampling | |
Yan et al. | Power-iterative strategy for ℓ p− ℓ 2 optimization for compressive sensing: Towards global solution | |
CN113222861B (zh) | 基于等式结构多重正则化的图像恢复方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200911 Termination date: 20210330 |
|
CF01 | Termination of patent right due to non-payment of annual fee |