CN111260571B - 一种基于非凸低秩低梯度的深度图像修复方法 - Google Patents
一种基于非凸低秩低梯度的深度图像修复方法 Download PDFInfo
- Publication number
- CN111260571B CN111260571B CN202010028825.XA CN202010028825A CN111260571B CN 111260571 B CN111260571 B CN 111260571B CN 202010028825 A CN202010028825 A CN 202010028825A CN 111260571 B CN111260571 B CN 111260571B
- Authority
- CN
- China
- Prior art keywords
- depth image
- low
- rank
- gradient
- image restoration
- 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 43
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001660917 Crassula ovata Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001595 contractor effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于非凸低秩低梯度的深度图像修复方法,包括获取待修复的深度图像D,确定深度图像D的待修复区域Ω,构建图像修复矩阵U;构建基于非凸低秩低梯度的深度图像修复模型;采用ADMM算法求解所述深度图像修复模型中的M子问题;采用区域融合算法求解所述深度图像修复模型中的U子问题;迭代更新辅助变量M和U,直至满足结束条件,得到修复后的深度图像U。本发明提供了基于非凸低秩低梯度的深度图像修复方法,以克服现有的图像修复方法中存在高维数据凸松弛收敛速度慢、深度图像的无纹理性、数据过于稀疏的缺点。
Description
技术领域
本申请属于图像处理技术领域,具体涉及一种基于非凸低秩低梯度的深度图像修复方法。
背景技术
图像修复在计算机视觉和图像处理领域是一项重要的研究课题。深度图像修复在图像修复领域也是一种值得研究的方向,深度图像也被称为距离图像,是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像,它直接反应了景物可见表面的几何形状。随着Microsoft Kinect、ASUS、Xtion Pro和Intel Leap Motion等RGB-D传感器的快速发展,深度图像的采集变得越来越普遍。我们可以通过实时的基于图像的深度信息的深度图像提供多种应用。但是深度传感器获取到的深度图像会受到多种原因影响而引起质量退化,比如低分辨率、噪声和信息丢失等。低质量的深度信息严重影响了深度图像的应用。
目前,许多图像修复方法已经被提出来,但是,绝大多数的方法研究集中在自然图像和医学图像上,关于深度图像的研究相对较少。主要的原因是大多数的图像修复技术能直接应用在深度图像上。与自然图像相比,深度图像是没有纹理的,而缺乏纹理会导致使用低秩方法会比较困难。但是,Wright和Candes等人表明,在不一致的假设下,低秩模型尽管存在明显的缺陷,但仍能以很高的概率得到解。而且,深度图像的梯度已经十分稀疏了,并且在某些梯度上是消失的。
近年来,利用低秩模型对表示全局信息的低秩矩阵和表示局部信息的稀疏矩阵进行恢复,引起来人们广泛的关注。这个灵感来自于处理高光谱图像产生低秩权值的时候,其中去噪方法是基于低秩分解变形向量化将全部图像或相似分块产生2-D数据,产生的2-D数据能够分解成一个能用低秩矩阵表示的干净图像和一个表示非高斯噪声的稀疏矩阵。
虽然低秩模型在理论研究和实际应用中取得了成功,但凸松弛仍存在一些缺陷。首先,核范数将所有奇异值相加,而不是像秩函数那样平均处理它们。这意味着较大的奇异值比较小的值更容易受到惩罚。此外,核范数本质上是一个L1范数的奇异值。众所周知,L1范数由于其收缩效应,通常会导致偏估计。其次,之前的理论分析通常基于一个强有力的假设,即基础矩阵满足非相干性,这在实际场景中可能得不到保证。随着矩阵维数的增加,凸松弛收敛速度较慢。到目前为止,利用非凸函数代替L1范数作为L0范数的替代物受到了广泛的关注。其中,最流行的非凸正则化方法有:极小凹惩罚、lp范数(0<p<1)、log-sum惩罚、log-行列式惩罚、截断核范数(Truncated Nuclear Norm)、上限l1惩罚。
发明内容
本申请的目的在于提供一种基于非凸低秩低梯度的深度图像修复方法,以克服现有的图像修复方法中存在高维数据凸松弛收敛速度慢、深度图像的无纹理性、数据过于稀疏的缺点。
为实现上述目的,本申请所采取的技术方案为:
一种基于非凸低秩低梯度的深度图像修复方法,所述基于非凸低秩低梯度的深度图像修复方法,包括:
步骤1、获取待修复的深度图像D,确定深度图像D的待修复区域Ω,构建图像修复矩阵U;
步骤2、构建基于非凸低秩低梯度的深度图像修复模型:
其中,M=[m1,m2,m3,…,mn]∈Rm×n,α为权值系数且0<α<1,#{·}代表数据集中元素的个数;
步骤2.2、针对低秩矩阵M的奇异值计算引入非凸低秩优化方法,所述非凸低秩的表达式如下:
其中,γ为γ范数,且γ>0,q=m,K=n,m、n为M的行列数,σi表示M在i时的奇异值;
步骤2.3、构建所述深度图像修复模型,如下:
步骤3、采用ADMM算法求解所述深度图像修复模型中的M子问题;
步骤4、采用区域融合算法求解所述深度图像修复模型中的U子问题;
步骤5、迭代执行步骤3和步骤4以更新辅助变量M和U,直至满足结束条件,得到修复后的深度图像U。
作为优选,所述γ范数具有如下性质:
性质1:给定U∈Rq×K,则γ范数满足如下性质:
其中,||U||γ为酉不变量;
采用(·)T,(·)-1,λ分别表示转置矩阵、逆矩阵和矩阵的特征值,采用E表示一个单位矩阵,引入辅助矩阵L∈RK×q、V∈RK×q,则有特征多项式如下:
|(LUV)TLUV-λE|=|VTUTLTLUV-λE|=|VTUTUV-λE|=|V-1UTUV-λE|=|UTU-λE| (6)
根据上述特征多项式可知,矩阵(LUV)TLUV和UTU有相同的特征值,故LUV和U有相同的奇异值,并且对于任意的σi(U),都存在σi(U)≥0,从而推导出φ(σi(U))≥0和||U||γ≥0,并得出结论当且仅当U=0时φ(σi(U))为0;
因此,γ范数存在的正定性为:对于任意U∈Rq×K和||U||γ=0当且仅当U=0时有||U||γ≥0。
作为优选,所述采用ADMM算法求解所述深度图像修复模型中的M子问题,以更新辅助变量M,包括:
步骤3.1、引入辅助变量M,并且U=M,M的拉格朗日展开式为:
建立辅助变量M在ADMM算法下的子问题为:
步骤3.2、通过以下公式求解M子问题:
作为优选,采用区域融合算法求解所述深度图像修复模型中的U子问题,以更新辅助变量U,包括:
步骤4.1、建立U在区域融合算法下的子问题:
步骤4.2、扩展区域融合最小化解决U的最小化问题,定义损失函数如下:
步骤4.3、对于Ui=Uj优化,当满足以下条件时:
优化结果为Ui=Uj=A,定义公式(11)在这个条件下的函数值为fA;
步骤4.4、对于|Ui-Uj|=1,即Uj=Ui±1优化,当满足以下条件时:
优化结果为Ui=B,Uj=B±1,定义公式(11)在该条件下的函数值为fB;
步骤4.5、对于|Ui-Uj|>1优化,在满足以下条件时:
Ui=Ci,Uj=Cj (14)
并且定义公式(11)在该条件下的函数值为fC;
步骤4.6、根据步骤4.3~步骤4.5,得到融合标准为:
将Uk+1作为本次迭代得到的最新的辅助变量U。
作为优选,所述基于非凸低秩低梯度的深度图像修复方法在算法中显示为:
输入:待修复的深度图像D;
初始化:γ范数,λ1,λ2=0,D0=0,k=0,iter,err;
S1、若iter>0,同时相对误差relative error>err,则继续执行;否则输出修复后的深度图像U;
S2、计算Dk=M-Yk;
S3、利用公式(7)更新辅助变量M;
S4、利用公式(10)更新辅助变量U;
S5、更新辅助变量Yk+1=Yk+(Uk+1-Mk+1);
S6、iter=iter+1,并重新执行S1。
附图说明
图1为本申请的基于非凸低秩低梯度的深度图像修复方法的流程图;
图2为各函数与奇异值的关系示意图;
图3为本申请一种实施例的图像处理结果示意图;
图4为实施例2中随机缺失掩码的示意图;
图5为实施例2中文本掩码的示意图;
图6为实施例2中的待修复原图;
图7为实施例2中LR算法处理后的图片;
图8为实施例2中LRTV算法处理后的图片;
图9为实施例2中LRL0算法处理后的图片;
图10为实施例2中NonLRL0ψ算法处理后的图片。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
如图1所示,其中一个实施例中,提供一种基于非凸低秩低梯度的深度图像修复方法,具体包括以下步骤:
步骤1、获取待修复的深度图像D,确定深度图像D的待修复区域Ω,构建图像修复矩阵U。
步骤2、构建基于非凸低秩低梯度的深度图像修复模型:
步骤2.1、引入范数。已知可以通过稀疏梯度正则化来惩罚非零梯度,然而,深度图像的梯度不能简单得看作是稀疏的。统计数据表明,虽然大多数的深度图像的像素梯度为零,但仍有一部分梯度为1的像素点是不可忽略的。
其中,M=[m1,m2,m3,...,mn]∈Rm×n,α为权值系数且0<α<1,#{·}代表数据集中元素的个数。
步骤2.2、由于信号和图像处理非凸正则化具有优异的性能,故针对低秩矩阵M的奇异值计算引入非凸低秩优化方法,即采用非凸低秩函数优化核范数,所述非凸低秩的表达式如下:
其中,γ为γ范数,且γ>0,q=m,K=n,m、n为M的行列数,σi表示M在i时的奇异值。
步骤2.3、构建所述深度图像修复模型,如下:
如图2所示,当奇异值大于1时,核范数、log函数和Schatten p-norm显著偏离1,说明秩分量过小。相对的,而/范数与真实的秩信息更接近,这就意味着γ范数比其他函数更加近似于真实的秩函数。特殊地,γ范数是一种伪范数,γ范数具有如下性质:
性质1:给定U∈Rq×K,则γ范数满足如下性质:
其中,||U||γ为酉不变量,例如:对于任意正交矩阵U∈Rq×q和V∈RK×K都有||U||γ=||LUV||γ。
采用(·)T,(·)-1,λ分别表示转置矩阵、逆矩阵和矩阵的特征值,采用E表示一个单位矩阵,引入辅助矩阵L∈RK×q、V∈RK×q,则有特征多项式如下:
|(LUV)TLUV-λE|=|VTUTLTLUV-λE|=|VTUTUV-λE|=|V-1UTUV-λE|=|UTU-λE| (6)
根据上述特征多项式可知,矩阵(LUV)TLUV和UTU有相同的特征值,故LUV和U有相同的奇异值,并且对于任意的σi(U),都存在σi(U)≥0,从而推导出φ(σi(U))≥0和||U||γ≥0,并得出结论当且仅当U=0时φ(σi(U))为0;
因此,γ范数存在的正定性为:对于任意U∈Rq×K和||U||γ=0当且仅当U=0时有||U||γ≥0。
步骤3、采用ADMM算法求解所述深度图像修复模型中的M子问题:
步骤3.1、由于深度图像修复模型中的第二项和第三项不是相互独立的,因此,引入辅助变量M,并且U=M,M的拉格朗日展开式为:
建立辅助变量M在ADMM算法下的子问题为:
步骤3.2、通过以下公式求解M子问题:
步骤4、采用区域融合算法求解所述深度图像修复模型中的U子问题:
步骤4.1、建立U在区域融合算法下的子问题:
步骤4.2、扩展区域融合最小化解决U的最小化问题,定义损失函数如下:
区域融合算法中的区域融合标准包含了三个条件,通过以下步骤进行说明。
步骤4.3、对于Ui=Uj优化,当满足以下条件时:
优化结果为Ui=Uj=A,定义等式(11)在这个条件下的函数值为fA。
步骤4.4、对于|Ui-Uj|=1,即Uj=Ui±1优化,当满足以下条件时:
优化结果为Ui=B,Uj=B±1,定义公式(11)在该条件下的函数值为fB。
步骤4.5、对于|Ui-Uj|>1优化,在满足以下条件时:
Ui=Ci,Uj=Cj (14)
并且定义公式(11)在该条件下的函数值为fC。
步骤4.6、根据步骤4.3~步骤4.5,得到融合标准为:
将Uk+1作为本次迭代得到的最新的辅助变量U。
步骤5、迭代执行步骤3和步骤4以更新辅助变量M、U,直至满足结束条件,得到修复后的深度图像U。本实施例的一种处理效果如图3所示,由图可看出,本实施例的深度图像修复方法修复后的图像复原度高,且克服了深度图像的无纹理性、数据过于稀疏的缺点。
本实施例的基于非凸低秩低梯度的深度图像修复方法,为了保持图像的梯度惩罚的准确性引入范数,并且针对低秩矩阵M的奇异值计算加入非凸低秩,得到的深度图像修复模型可有效现有的图像修复方法中存在高维数据凸松弛收敛速度慢、深度图像的无纹理性、数据过于稀疏的缺点,深度图像修复方法整体的运行效率高、数据适应性强、准确度高、鲁棒性强。
以下通过实施例进一步说明本申请基于非凸低秩低梯度的深度图像修复方法在算法中的流程。
实施例1
本实施例的基于非凸低秩低梯度的深度图像修复方法在算法中显示为:
输入:待修复的深度图像D;
初始化:γ范数,λ1,λ2=0,D0=0,k=0,iter,err;
S1、若iter>0,同时相对误差relative error>err,则继续执行;否则输出修复后的深度图像U;
S2、计算Dk=M-Yk;
S3、利用公式(7)更新辅助变量M;
S4、利用公式(10)更新辅助变量U;
S5、更新辅助变量Yk+1=Yk+(Uk+1-Mk+1);
S6、iter=iter+1,并重新执行S1。
该算法中的S2和S5在深度图像修复方法执行步骤3和步骤4时计算。
以下通过实施例直观体现本申请的基于非凸低秩低梯度的深度图像修复方法的处理效果。
实施例2
1)数据集:基准深度图像来自于14种图像包括Adirondack、Jadeplant、Motorcycle、Piano、Playtable、Playroom、Recycle、Shelves、Teddy、Pipes、Vintage、MotorcycleE、PianoL、PlaytableP。基准视差图的未知值转换到深度图像中为0。为了创建待修复图像,数据集中也包含了了几种掩码,包括如图4所示的随机缺失掩码和如图5所示的文本掩码,并且在数据集中同时生成源码图像。
2)实验部分
2.1)参数设置
实验在Inter i7 3.5GHz CPU、16G内存上进行,以本申请的基于非凸低秩低梯度的深度图像修复方法(简称为NonLRL0ψ算法)为实验组,以现有的低秩(LR)算法、低秩全变分(LRTV)算法、低秩低梯度(LRL0)算法为对照组进行实验,且实验参数设置如下:
针对所有的算法设置低秩权重λr=10,对于LRTV算法设置的TV正则项权重为λtv=40,对于LRL0算法设置的权重为λl0=30,对于NonLRL0ψ算法设置的低秩权重为设置迭代次数阈值为30次,精度阈值设置为0.0001。
2.2)实验数据
表1实验数据一
表2实验数据二
表3实验数据三
表4实验数据四
表1~表4记录的实验数据为针对不同数据集使用不同的修复算法所得到的实验结果,其中的掩码类型表示实验所使用的图像应用哪种数据来生成待修复图像,即对应得到不同的数据集,且rand表示随机缺失,text表示文本。
并且得到一组数据处理图片如图6~10所示,其中图6为待修复的原图,图7为LR算法处理后的图片,图8为LRTV算法处理后的图片,图9为LRL0算法处理后的图片,图10为NonLRL0ψ算法处理后的图片。
2.3)结果分析
从表1~4和图6~10可以看出,LR算法有明显的噪声,LRL0的修复效果比LRTV算法的修复效果好,且修复结果也更接近NonLRL0ψ算法。但是,在数据集MotorE和Jadepl上,LRL0的表现比LRTV要差一些,而NonLRL0ψ算法的修复效果依旧保持较好。结合所有的数据可得,本申请的NonLRL0ψ算法针对不同类型的待修复图像,始终具有较好的修复效果,因为申请的NonLRL0ψ算法更好地处理了修复过程中深度图像渐进的像素变化,故始终能够达到最好的PSNR结果。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于非凸低秩低梯度的深度图像修复方法,其特征在于,所述基于非凸低秩低梯度的深度图像修复方法,包括:
步骤1、获取待修复的深度图像D,确定深度图像D的待修复区域Ω,构建图像修复矩阵U;
步骤2、构建基于非凸低秩低梯度的深度图像修复模型:
其中,M=[m1,m2,m3,…,mn]∈Rm×n,α为权值系数且0<α<1,#{·}代表数据集中元素的个数;
步骤2.2、针对低秩矩阵M的奇异值计算引入非凸低秩优化方法,所述非凸低秩的表达式如下:
其中,γ为γ范数,且γ>0,q=m,K=n,m、n为M的行列数,σi表示M在i时的奇异值;
步骤2.3、构建所述深度图像修复模型,如下:
步骤3、采用ADMM算法求解所述深度图像修复模型中的M子问题,包括:
步骤3.1、引入辅助变量M,并且U=M,M的拉格朗日展开式为:
建立辅助变量M在ADMM算法下的子问题为:
步骤3.2、通过以下公式求解M子问题:
步骤4、采用区域融合算法求解所述深度图像修复模型中的U子问题;
步骤5、迭代执行步骤3和步骤4以更新辅助变量M、U,直至满足结束条件,得到修复后的深度图像U。
2.如权利要求1所述的基于非凸低秩低梯度的深度图像修复方法,其特征在于,所述γ范数具有如下性质:
性质1:给定U∈Rq×K,则γ范数满足如下性质:
其中,‖U‖γ为酉不变量;
采用(·)T,(·)-1,λ分别表示转置矩阵、逆矩阵和矩阵的特征值,采用E表示一个单位矩阵,引入辅助矩阵L∈RK×q、V∈RK×q,则有特征多项式如下:
|(LUV)TLUV-λE|=|VTUTLTLUV-λE|=|VTUTUV-λE|=|V-1UTUV-λE|=|UTU-λE| (6)
根据上述特征多项式可知,矩阵(LUV)TLUV和UTU有相同的特征值,故LUV和U有相同的奇异值,并且对于任意的σi(U),都存在σi(U)≥0,从而推导出φ(σi(U))≥0和||U||γ≥0,并得出结论当且仅当U=0时φ(σi(U))为0;
因此,γ范数存在的正定性为:对于任意U∈Rq×K和‖U‖γ=0当且仅当U=0时有‖U‖γ≥0。
3.如权利要求1所述的基于非凸低秩低梯度的深度图像修复方法,其特征在于,采用区域融合算法求解所述深度图像修复模型中的U子问题,以更新辅助变量U,包括:
步骤4.1、建立U在区域融合算法下的子问题:
步骤4.2、扩展区域融合最小化解决U的最小化问题,定义损失函数如下:
步骤4.3、对于Ui=Uj优化,当满足以下条件时:
优化结果为Ui=Uj=A,定义公式(11)在这个条件下的函数值为fA;
步骤4.4、对于|Ui-Uj|=1,即Uj=Ui±1优化,当满足以下条件时:
优化结果为Ui=B,Uj=B±1,定义公式(11)在该条件下的函数值为fB;
步骤4.5、对于|Ui-Uj|>1优化,在满足以下条件时:
Ui=Ci,Uj=Cj (14)
并且定义公式(11)在该条件下的函数值为fC;
步骤4.6、根据步骤4.3~步骤4.5,得到融合标准为:
将Uk+1作为本次迭代得到的最新的辅助变量U。
4.如权利要求1所述的基于非凸低秩低梯度的深度图像修复方法,其特征在于,所述基于非凸低秩低梯度的深度图像修复方法在算法中显示为:
输入:待修复的深度图像D;
初始化:γ范数,λ1,λ2=0,D0=0,k=0,iter,err;
S1、若iter>0,同时相对误差relative error>err,则继续执行;否则输出修复后的深度图像U;
S2、计算Dk=M-Yk;
S3、利用公式(7)更新辅助变量M;
S4、利用公式(10)更新辅助变量U;
S5、更新辅助变量Yk+1=Yk+(Uk+1-Mk+1);
S6、iter=iter+1,并重新执行S1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010028825.XA CN111260571B (zh) | 2020-01-11 | 2020-01-11 | 一种基于非凸低秩低梯度的深度图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010028825.XA CN111260571B (zh) | 2020-01-11 | 2020-01-11 | 一种基于非凸低秩低梯度的深度图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260571A CN111260571A (zh) | 2020-06-09 |
CN111260571B true CN111260571B (zh) | 2022-09-23 |
Family
ID=70945121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010028825.XA Active CN111260571B (zh) | 2020-01-11 | 2020-01-11 | 一种基于非凸低秩低梯度的深度图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260571B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085666B (zh) * | 2020-07-30 | 2024-03-26 | 浙江工业大学 | 一种基于重启策略与近似交替惩罚算法的图像补全方法 |
CN112241938B (zh) * | 2020-08-21 | 2024-02-13 | 浙江工业大学 | 基于光滑塔克分解与高阶张量汉克化的图像修复方法 |
CN112258410B (zh) * | 2020-10-22 | 2022-09-06 | 福州大学 | 一种可微分的低秩学习网络图像修复方法 |
CN112700389B (zh) * | 2021-01-13 | 2022-08-19 | 安徽工业大学 | 一种活性污泥微生物彩色显微图像去噪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933683A (zh) * | 2015-06-09 | 2015-09-23 | 南昌大学 | 一种用于磁共振快速成像的非凸低秩重建方法 |
CN105741240A (zh) * | 2016-01-18 | 2016-07-06 | 中国科学院遥感与数字地球研究所 | 基于参考影像纹理约束和非凸低秩约束的遥感图像重建方法 |
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
CN109102477A (zh) * | 2018-08-31 | 2018-12-28 | 哈尔滨工业大学 | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10148873B2 (en) * | 2015-12-22 | 2018-12-04 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for motion adaptive fusion of optical images and depth maps acquired by cameras and depth sensors |
-
2020
- 2020-01-11 CN CN202010028825.XA patent/CN111260571B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933683A (zh) * | 2015-06-09 | 2015-09-23 | 南昌大学 | 一种用于磁共振快速成像的非凸低秩重建方法 |
CN105741240A (zh) * | 2016-01-18 | 2016-07-06 | 中国科学院遥感与数字地球研究所 | 基于参考影像纹理约束和非凸低秩约束的遥感图像重建方法 |
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
CN109102477A (zh) * | 2018-08-31 | 2018-12-28 | 哈尔滨工业大学 | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
Non-Patent Citations (4)
Title |
---|
Depth Image Inpainting: Improving Low Rank Matrix Completion With Low Gradient Regularization;Hongyang Xue 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20170930;第4311-4320页 * |
图像处理中基于非凸秩近似的低秩矩阵恢复模型及算法研究;徐菲;《万方数据》;20191031;第35-40页 * |
基于低秩表示的图像修复方法;刘慧青等;《宁波大学学报(理工版)》;20170510(第03期);全文 * |
基于非凸矩阵填充模型的图像修复方法研究;曹烁等;《贵州师范大学学报(自然科学版)》;20180512(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111260571A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260571B (zh) | 一种基于非凸低秩低梯度的深度图像修复方法 | |
US11715258B2 (en) | Method for reconstructing a 3D object based on dynamic graph network | |
CN102722896B (zh) | 基于自适应压缩感知的自然图像非局部重构方法 | |
CN101751697B (zh) | 一种基于统计模型的三维场景重建方法 | |
CN112541864A (zh) | 一种基于多尺度生成式对抗网络模型的图像修复方法 | |
Wohlberg | Inpainting by joint optimization of linear combinations of exemplars | |
CN107967673B (zh) | 一种自适应样本块图像修复方法 | |
CN110569768A (zh) | 人脸模型的构建方法、人脸识别方法、装置及设备 | |
CN111028172A (zh) | 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法 | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN111161360A (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
CN110070506B (zh) | 一种基于多尺度混合指数模型的视频去雨方法 | |
Luo et al. | HLRTF: Hierarchical low-rank tensor factorization for inverse problems in multi-dimensional imaging | |
CN109829867B (zh) | 一种针对稳定填充的球形收敛样本块修复方法 | |
CN109767404A (zh) | 一种椒盐噪声下红外图像去模糊方法 | |
Siravenha et al. | Evaluating inpainting methods to the satellite images clouds and shadows removing | |
CN112116532A (zh) | 一种基于张量块循环展开的彩色图像补全方法 | |
Hu et al. | Criminisi-based sparse representation for image inpainting | |
Mai et al. | Deep unrolled low-rank tensor completion for high dynamic range imaging | |
CN110147809B (zh) | 图像处理方法及装置、存储介质及图像设备 | |
CN112184571A (zh) | 一种基于非凸秩近似的鲁棒主成分分析方法 | |
Liu et al. | Dnt: Learning unsupervised denoising transformer from single noisy image | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
Murdock et al. | Building dynamic cloud maps from the ground up | |
CN111402173B (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 |
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 |