CN110619624B - 一种图像分解方法及装置 - Google Patents

一种图像分解方法及装置 Download PDF

Info

Publication number
CN110619624B
CN110619624B CN201910776892.7A CN201910776892A CN110619624B CN 110619624 B CN110619624 B CN 110619624B CN 201910776892 A CN201910776892 A CN 201910776892A CN 110619624 B CN110619624 B CN 110619624B
Authority
CN
China
Prior art keywords
target
dimensional image
image
gradient
eigenvalue
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
Application number
CN201910776892.7A
Other languages
English (en)
Other versions
CN110619624A (zh
Inventor
周飞
陈群
刘博智
邱国平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201910776892.7A priority Critical patent/CN110619624B/zh
Publication of CN110619624A publication Critical patent/CN110619624A/zh
Application granted granted Critical
Publication of CN110619624B publication Critical patent/CN110619624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分解方法及装置，其中，图像分解方法包括步骤：根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；根据所述结构度量和纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述目标函数分解所述目标二维图像。本发明能够对图像的结构性边缘起到很好的保留效果，能够去除图像中的周期重复性纹理。

Description

一种图像分解方法及装置
技术领域
本申请实施例涉及图像处理领域，特别是涉及一种图像分解方法及装置。
背景技术
图像结构纹理分解指的是将原始图像分为包含主要信息的结构分量和包含细小、杂乱的细节的纹理分量，它是一项重要的图像处理技术，被广泛应用于图像处理中的多个领域，如图像增强、图像去噪、图像修复、边缘检测和图像质量评价等领域。
现有的结构纹理分解方法主要分为三类：第一类为基于变分优化的分解方法，第二类为基于滤波的分解方法，第三类为基于神经网络的分解方法，其中基于变分优化的分解方法有基于变分模型优化方法、加权最小二乘优化方法，相对总变分优化方法和基于联合卷积分析与合成稀疏表示的图像分离等方法，基于滤波的方法主要有双边滤波方法，滚动引导滤波方法、结构梯度与纹理解相关滤波方法，尺度感知滤波方法和侧窗滤波等方法；基于神经网络的分解方法有深度边缘感知滤波方法，无监督深度图像平滑方法。
通过对这些方法的了解，我们发现它们都存在一些缺陷。例如，基于变分优化的分解方法无法区分细小的结构和纹理，滚动引导滤波方法过度依赖于图像内容的尺度，事实上，在同一幅图像中，不同的结构可以拥有不同的尺度大小，另一方面，无监督深度图像平滑方法基于大量的外部样本训练得到一个深度神经网络模型，然而该模型却无法在多种不同类型的图片上取得良好的效果，鲁棒性较差。
综合所述，现有的图像分解方法得到的结构图像往往会被过度平滑，或者是不能很好的将结构图像上的纹理去除干净。因此，如何更好的区分图像的结构和纹理，是现有的结构纹理分解领域存在的一个重大的问题与挑战。。
发明内容
针对现有技术的缺陷，本发明第一方面提供一种图像分解方法，旨在解决现有技术中存在的问题之一；
本发明第二方面提供一种图像分解装置，旨在解决现有技术中存在的问题之一；
本发明第三方面提供另一种图像分解装置，旨在解决现有技术中存在的问题之一；
本发明第四方面提供一种计算机存储介质，旨在解决现有技术中存在的问题之一；
在本发明第一方面中，一种图像分解方法，包括：
根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；
根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；
根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；
根据所述结构度量和所述纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述的目标函数分解所述目标二维图像。
在本发明第一方面中，作为一种可选的实施方式，所述结构张量矩阵的特征值包括第一特征值和第二特征值，其中，当所述目标二维图像的梯度有主方向时，所述第一特征值远大于所述第二特征值，且所述方向特征量趋近于1，当所述目标二维图像的梯度杂乱时，所述第一特征值与所述第二特征值近似相等，且所述方向特征量趋近于0。
在本发明第一方面中，作为一种可选的实施方式，在所述根据所述结构度量构建所述目标二维图像对应的目标函数之前，所述方法还包括：根据第一计算式计算所述目标二维图像的纹理度量，所述第一计算式为：
Figure BDA0002175365270000021
其中，CN(i)表示所述目标二维图像在i点的临域像素，j表示所述临域像素点的位置；θij表示表示i点的梯度方向ni与i点、j点之间空间向量vij之的间夹角；exp是以自然对数e为底的指数函数，hi、hj分别表示i点、j点的临域内的方向梯度直方图，所述纹理度量的数值范围为[0,1]。
在本发明第一方面中，作为一种可选的实施方式，所述方法还包括：
将所述目标二维图像输入到预设神经网络中，以使得所述神经网络对所述目标函数并输出所述目标二维图像的结构分量。
在本发明第一方面中，作为一种可选的实施方式，所述预设神经网络为无监督自样本训练的神经网络。
在本发明第一方面中，作为一种可选的实施方式，所述无监督自样本训练的神经网包括九个卷积层。
在本发明第二方面中，一种图像分解装置，包括第一计算模块、第二计算模块、第三计算模块、构建模块：
所述第一计算模块，用于根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；
所述第二计算模块，用于根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；
所述第三计算模块，用于根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；
所述构建模块，用于根据所述结构度量和所述纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述的目标函数分解所述目标二维图像。所述结构张量矩阵的特征值包括第一特征值和第二特征值，其中，当所述目标二维图像的梯度有主方向时，所述第一特征值远大于所述第二特征值，且所述方向特征量趋近于1，当所述目标二维图像的梯度杂乱时，所述第一特征值与所述第二特征值近似相等，且所述方向特征量趋近于0。
在本发明第三方面中，一种图像分解装置，包括：
至少1个存储单元；
与所述至少1个存储单元耦合的处理单元；
其中，所述至少1个存储单元用于存储计算机指令；
所述处理单元用于调用所述计算机指令，以执行本发明第一方面所述的图像分解方法。
在本发明第四方面中，一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面所述的图像分解方法。
与现有技术相比，本发明具有如下有益效果：
本发明基于目标二维图像的结构度量和纹理度量对目标二维图像进行分解，并通过神经网络对目标二维图像的目标函数进行优化，其中，结构度量能够对图像的结构性边缘起到很好的保留效果；纹理度量可以将其他方法无法处理的周期重复性纹理很好的去除；通过神经网络优化目标函数，能够使得对目标函数的范数空间进行选择，同时不需要对不同的范数空间设计不同的优化算法，进而使得本发明的图像分解方法具有很强的鲁棒性。
另一方面，本发明的神经网络的训练是无监督、自样本的，不同于传统的深度学习方法需要使用大量的外部样本进行训练，故本发明的神经网络具有结构简单、轻量、参数少的、训练简单快捷等优点，尤其，本发明的神经网络的输入只有原图，对每一幅输入图像，训练与测试是一体的，在内容类型不同的多福图像都能达到很好的结构纹理分解效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一公开的图像分解方法的流程示意图；
图2是本发明实施例二公开的图像分解装置的结构示意图；
图3是本发明实施例三公开的图像分解装置的结构示意图；
图4是本发明实施例公开的神经网络的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
实施例一
请参阅图1，图1是本发明实施例一公开的一种图像分解方法的流程示意图。如图1所示，该方法包括步骤：
101、根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；
具体的，根据公式(1)计算所述目标二维图像的方向特征量AJ，公式(1)如下所示：
Figure BDA0002175365270000051
在本实施例中，如公式(1)所示，所述结构张量矩阵的特征值包括第一特征值λ1和第二特征值λ2，其中，当所述目标二维图像的梯度有主方向时，
λ1>>λ2，则AJ趋近于1，当所述目标二维图像的梯度杂乱时，λ1>>λ2，则AJ趋近于1。
102、根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量。
具体的，对于目标二维图像I上的某点i的结构张量矩阵J如公式(2)所示：
Figure BDA0002175365270000061
其中，gx与gy表示图像x轴与y轴方向的梯度。
具体地，通过公式(3)计算所述目标二维图像的结构度量，公式(3)如下：
Figure BDA0002175365270000062
其中，其中||▽f||1表示目标二维图像的梯度，R表示归一化图像最高灰度级，对于一幅8-bit的图像，最高灰度级R为255；结构度量Ms(i)的数值范围为[0,1]，Ms(i)的数值表示该图像块为结构的置信度大小。
103、根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量。
在本实施例中，作为一种可选的实施方式，在所述根据所述结构度量构建所述目标二维图像对应的目标函数之前，所述方法还包括：根据第一计算式计算所述目标二维图像的纹理度量，所述第一计算式如公式(5)所示为：
Figure BDA0002175365270000063
其中，CN(i)表示所述目标二维图像在i点的临域像素，j表示所述临域像素点的位置；θij表示表示i点的梯度方向ni与i点、j点之间空间向量vij之的间夹角；exp是以自然对数e为底的指数函数，hi、hj分别表示i点、j点的临域内的方向梯度直方图，所述纹理度量的数值范围为[0,1]。
104、根据所述结构度量和所述纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述的目标函数分解所述目标二维图像。
具体的，通过公式(4)计算所述目标函数，公式(4)如下所示：
Figure BDA0002175365270000064
其中，f代表目标二维图像原图，U表示输出的结构分量，||▽U(i)||1是目标二维图像梯度的L1范数，目标二维图像的纹理分量v可以由原图与结构分量U的相减获得。
由于图像的结构分量包含原图的主要信息，因此目标函数的第一项是为了尽可能保持结构分量U与原图f的相似，而目标函数的第二项加入了结构度量Ms(i)作为约束，使结构置信度大的边缘可以被很好的保留，第三项结合纹理度量Mt(i)保证了图像中周期重复性强的纹理可以被很好的去除。
在本实施例中，作为一种可选的实施方式，所述方法还包括：
将所述目标二维图像输入到预设神经网络中，利用所述神经网络优化所述目标函数，输出所述目标二维图像的结构分量。
在本发明第一方面中，作为一种可选的实施方式，所述预设神经网络为无监督自样本训练的神经网络。
在本发明第一方面中，作为一种可选的实施方式，如图4所示，所述无监督自样本训练的神经网包括九个卷积层。
本发明基于目标二维图像的结构度量和纹理度量对目标二维图像进行分解，并通过神经网络对目标二维图像的目标函数进行优化，其中，结构度量能够对图像的结构性边缘起到很好的保留效果；纹理度量可以将其他方法无法处理的周期重复性纹理很好的去除；通过神经网络优化目标函数，能够使得对目标函数的范数空间进行选择，同时不需要对不同的范数空间设计不同的优化算法，进而使得本发明的图像分解方法具有很强的鲁棒性。
另一方面，本发明的神经网络的训练是无监督、自样本的，不同于传统的深度学习方法需要使用大量的外部样本进行训练，故本发明的神经网络具有结构简单、轻量、参数少的、训练简单快捷等优点，尤其，本发明的神经网络的输入只有原图，对每一幅输入图像，训练与测试是一体的，在内容类型不同的多福图像都能达到很好的结构纹理分解效果。
实施例二
请参阅图2,图2是本发明实施例提供的一种图像分解装置的结构示意图。如图2所示，该装置包括第一计算模块201、第二计算模块202、第三计算模块203、构建模块204，其中：
所述第一计算模块201，用于根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；
所述第二计算模块202，用于根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；
所述第三计算模块203，用于根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；
所述构建模块204，用于根据所述结构度量和所述纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述的目标函数分解所述目标二维图像。
作为一种可选的实施方式，所述结构张量矩阵的特征值包括第一特征值和第二特征值，其中，当所述目标二维图像的梯度有主方向时，所述第一特征值远大于所述第二特征值，且所述方向特征量趋近于1，当所述目标二维图像的梯度杂乱时，所述第一特征值与所述第二特征值近似相等，且所述方向特征量趋近于0。
需要说明的是，本实施例的图像分解装置还包括执行本发明实施例一其他步骤的功能模块或子功能模块，对此不再赘述。
本发明的图像分解装置通过执行图像分解方法，能够基于目标二维图像的结构度量和纹理度量对目标二维图像进行分解，并通过神经网络对目标二维图像的目标函数进行优化，其中，结构度量能够对图像的结构性边缘起到很好的保留效果；纹理度量可以将其他方法无法处理的周期重复性纹理很好的去除；通过神经网络优化目标函数，能够使得对目标函数的范数空间进行选择，同时不需要对不同的范数空间设计不同的优化算法，进而使得本发明的图像分解方法具有很强的鲁棒性。
另一方面，本发明的神经网络的训练是无监督、自样本的，不同于传统的深度学习方法需要使用大量的外部样本进行训练，故本发明的神经网络具有结构简单、轻量、参数少的、训练简单快捷等优点，尤其，本发明的神经网络的输入只有原图，对每一幅输入图像，训练与测试是一体的，在内容类型不同的多福图像都能达到很好的结构纹理分解效果。
实施例三
请参阅图3，图3是本发明实施例提供的一种图像分解装置的结构示意图，如图3所示，该图像分解装置包括：
至少1个存储单元301；
与所述至少1个存储单元耦合的处理单元302；
其中，所述至少1个存储单元301用于存储计算机指令；
所述处理单元302用于调用所述计算机指令，以执行本发明第一方面所述的图像分解方法。
本发明的图像分解装置通过执行图像分解方法，能够基于目标二维图像的结构度量和纹理度量对目标二维图像进行分解，并通过神经网络对目标二维图像的目标函数进行优化，其中，结构度量能够对图像的结构性边缘起到很好的保留效果；纹理度量可以将其他方法无法处理的周期重复性纹理很好的去除；通过神经网络优化目标函数，能够使得对目标函数的范数空间进行选择，同时不需要对不同的范数空间设计不同的优化算法，进而使得本发明的图像分解方法具有很强的鲁棒性。
另一方面，本发明的神经网络的训练是无监督、自样本的，不同于传统的深度学习方法需要使用大量的外部样本进行训练，故本发明的神经网络具有结构简单、轻量、参数少的、训练简单快捷等优点，尤其，本发明的神经网络的输入只有原图，对每一幅输入图像，训练与测试是一体的，在内容类型不同的多福图像都能达到很好的结构纹理分解效果。
实施例四
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的图像分解方法中的步骤。
本发明的计算机可读存储介质通过执行图像分解方法，能够基于目标二维图像的结构度量和纹理度量对目标二维图像进行分解，并通过神经网络对目标二维图像的目标函数进行优化，其中，结构度量能够对图像的结构性边缘起到很好的保留效果；纹理度量可以将其他方法无法处理的周期重复性纹理很好的去除；通过神经网络优化目标函数，能够使得对目标函数的范数空间进行选择，同时不需要对不同的范数空间设计不同的优化算法，进而使得本发明的图像分解方法具有很强的鲁棒性。
另一方面，本发明的神经网络的训练是无监督、自样本的，不同于传统的深度学习方法需要使用大量的外部样本进行训练，故本发明的神经网络具有结构简单、轻量、参数少的、训练简单快捷等优点，尤其，本发明的神经网络的输入只有原图，对每一幅输入图像，训练与测试是一体的，在内容类型不同的多福图像都能达到很好的结构纹理分解效果。
实施例五
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施一所描述的图像分解方法中的步骤。
本发明的计算机程序产品通过执行图像分解方法，能够基于目标二维图像的结构度量和纹理度量对目标二维图像进行分解，并通过神经网络对目标二维图像的目标函数进行优化，其中，结构度量能够对图像的结构性边缘起到很好的保留效果；纹理度量可以将其他方法无法处理的周期重复性纹理很好的去除；通过神经网络优化目标函数，能够使得对目标函数的范数空间进行选择，同时不需要对不同的范数空间设计不同的优化算法，进而使得本发明的图像分解方法具有很强的鲁棒性。
另一方面，本发明的神经网络的训练是无监督、自样本的，不同于传统的深度学习方法需要使用大量的外部样本进行训练，故本发明的神经网络具有结构简单、轻量、参数少的、训练简单快捷等优点，尤其，本发明的神经网络的输入只有原图，对每一幅输入图像，训练与测试是一体的，在内容类型不同的多福图像都能达到很好的结构纹理分解效果。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种图像分解方法，其特征在于，所述方法包括：
根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；其中，所述目标二维图像的方向特征量AJ的计算式为：
Figure FDA0003342436450000011
根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；
根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；
根据所述结构度量和所述纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述的目标函数分解所述目标二维图像；
根据公式(1)所示，结构张量矩阵的特征值包括第一特征值和第二特征值，其中，当所述目标二维图像的梯度有主方向时，所述第一特征值远大于所述第二特征值，且所述方向特征量趋近于1，当所述目标二维图像的梯度杂乱时，所述第一特征值与所述第二特征值近似相等，且所述方向特征量趋近于0；
在所述根据所述结构度量构建所述目标二维图像对应的目标函数之前，所述方法还包括：根据第一计算式计算所述目标二维图像的纹理度量，所述第一计算式为：
Figure FDA0003342436450000012
其中，CN(i)表示所述目标二维图像在i点的临域像素，j表示所述临域像素点的位置；θij表示i点的梯度方向ni与i点、j点之间空间向量vij之间的夹角；exp是以自然对数e为底的指数函数，hi、hj分别表示i点、j点的临域内的方向梯度直方图，所述纹理度量的数值范围为[0,1]。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
将所述目标二维图像输入到预设神经网络中，利用神经网络优化所述的目标函数，输出所述目标二维图像的结构分量。
3.如权利要求2所述的方法，其特征在于，所述预设神经网络为无监督自样本训练的神经网络。
4.如权利要求3所述的方法，其特征在于，所述无监督自样本训练的神经网络包括九个卷积层。
5.一种图像分解装置，其特征在于，包括：
至少1个存储单元；
与所述至少1个存储单元耦合的处理单元；
其中，所述至少1个存储单元用于存储计算机指令；
所述处理单元用于调用所述计算机指令，以执行权利要求1-4任一项所述的图像分解方法。
6.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行权利要求1-4任一项所述的图像分解方法。
CN201910776892.7A 2019-08-22 2019-08-22 一种图像分解方法及装置 Active CN110619624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910776892.7A CN110619624B (zh) 2019-08-22 2019-08-22 一种图像分解方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910776892.7A CN110619624B (zh) 2019-08-22 2019-08-22 一种图像分解方法及装置

Publications (2)

Publication Number Publication Date
CN110619624A CN110619624A (zh) 2019-12-27
CN110619624B true CN110619624B (zh) 2022-03-01

Family

ID=68922444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910776892.7A Active CN110619624B (zh) 2019-08-22 2019-08-22 一种图像分解方法及装置

Country Status (1)

Country Link
CN (1) CN110619624B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409881A (zh) * 2021-05-11 2022-11-29 北京字跳网络技术有限公司 图像处理方法、装置及设备
CN116630218B (zh) * 2023-07-02 2023-11-07 中国人民解放军战略支援部队航天工程大学 一种基于边缘保持平滑金字塔的多曝光图像融合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101583787B1 (ko) * 2014-07-10 2016-01-08 경북대학교 산학협력단 영상 분해와 강건한 온라인 주성분 분석을 이용한 전경 검출 방법, 이를 수행하기 위한 기록 매체 및 장치
CN108510504A (zh) * 2018-03-22 2018-09-07 北京航空航天大学 图像分割方法和装置
CN108961225A (zh) * 2018-06-21 2018-12-07 重庆信息通信研究院 周期性纹理抑制方法以及装置
CN109934815A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种结合atv约束的张量恢复红外弱小目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101583787B1 (ko) * 2014-07-10 2016-01-08 경북대학교 산학협력단 영상 분해와 강건한 온라인 주성분 분석을 이용한 전경 검출 방법, 이를 수행하기 위한 기록 매체 및 장치
CN108510504A (zh) * 2018-03-22 2018-09-07 北京航空航天大学 图像分割方法和装置
CN108961225A (zh) * 2018-06-21 2018-12-07 重庆信息通信研究院 周期性纹理抑制方法以及装置
CN109934815A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种结合atv约束的张量恢复红外弱小目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Structure-Texture Decomposition of Images with Interval Gradient;Hyunjoon Lee et al.;《computer graphics forum》;20160531;262-274 *
基于结构与纹理分解的较大区域图像修复算法;王哲;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20160315;I138-7242 *

Also Published As

Publication number Publication date
CN110619624A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
CN109754391B (zh) 一种图像质量评价方法、装置及电子设备
CN108830818B (zh) 一种快速多聚焦图像融合方法
CN111639744B (zh) 学生模型的训练方法、装置及电子设备
CN112132959B (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
CN108230278B (zh) 一种基于生成对抗网络的图像去雨滴方法
CN110148088B (zh) 图像处理方法、图像去雨方法、装置、终端及介质
CN111192226B (zh) 一种图像融合去噪方法及装置、系统
CN111832437A (zh) 建筑图纸识别方法、电子设备及相关产品
CN107767358B (zh) 一种图像中物体模糊度确定方法和装置
CN111274999B (zh) 数据处理、图像处理方法、装置及电子设备
CN110619624B (zh) 一种图像分解方法及装置
Ono et al. Color-line regularization for color artifact removal
CN110633711B (zh) 训练特征点检测器的计算机装置、方法及特征点检测方法
CN112784874B (zh) 双目视觉立体匹配方法、装置、电子设备及存储介质
Abouelaziz et al. Blind 3D mesh visual quality assessment using support vector regression
CN111105017A (zh) 神经网络量化方法、装置及电子设备
CN108875924A (zh) 基于神经网络的数据处理方法、装置、系统及存储介质
CN110956131A (zh) 单目标追踪方法、装置及系统
CN112651333A (zh) 静默活体检测方法、装置、终端设备和存储介质
CN112381147B (zh) 动态图片相似度模型建立、相似度计算方法和装置
CN110675311A (zh) 一种素描序约束下的素描生成的方法、装置及存储介质
CN112348808A (zh) 屏幕透图检测方法及装置
CN109523533B (zh) 一种图像质量评价方法及装置
CN116977271A (zh) 缺陷检测方法、模型训练方法、装置及电子设备
CN115953330A (zh) 虚拟场景图像的纹理优化方法、装置、设备和存储介质

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