CN112288654A - 图像中细小颗粒的增强方法 - Google Patents
图像中细小颗粒的增强方法 Download PDFInfo
- Publication number
- CN112288654A CN112288654A CN202011238406.5A CN202011238406A CN112288654A CN 112288654 A CN112288654 A CN 112288654A CN 202011238406 A CN202011238406 A CN 202011238406A CN 112288654 A CN112288654 A CN 112288654A
- Authority
- CN
- China
- Prior art keywords
- image
- dictionary
- coefficient
- grain
- fine particles
- 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 38
- 239000010419 fine particle Substances 0.000 title claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 26
- 230000002093 peripheral effect Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000036544 posture Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108091092878 Microsatellite Proteins 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011859 microparticle Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
图像中细小颗粒的增强方法，采用如下步骤：S1、选取多个测试图像，从测试图像中选取出大量不同姿态的待识别颗粒，使用字典学习方法从中学习出颗粒图像的不同特征，并建立特征字典D；S2、使用最近邻插值法，对特征字典D进行插值，得到更加精细的字典Dp；S3、使用模板匹配检测算法，对待增强图像进行分析，检测出的颗粒图像I；S4、将颗粒图像I表示成字典D与系数Z乘积的形式，即
求得系数Z；S5、基于系数Z以及字典Dp，以
的方式求得与颗粒图像I相应的精细的颗粒Ip；S6、将待增强图像中的颗粒图像I及其周边像素值，全部替换为精细的颗粒Ip。本发明通过查字典的方式将待增强图像中的颗粒图像替换为精细的颗粒，得到增强图像。
Description
技术领域
本发明涉及图像处理技术领域，具体是图像中细小颗粒的增强方法。
背景技术
图像指的是一切图片和影像的总称，是现代信息社会中最常见、最基本的一种数据信息。记录图像信息的手段从一开始的胶片技术一直发展到现在应用最广泛的CCD/CMOS图像传感器，因此，图像采集基本都是指采集CCD/CMOS图像传感器输出的图像信号。
现有技术在对图像中微小颗粒的增强过程中保持目标的结构和纹理信息，主要是对图像目标的周边进行突出和强调处理，增强目标的显示效果。如公开号为CN105205812A的中国发明申请所披露的“一种基于微小卫星星座的多帧图像重构方法”，该方法是基于多帧图像得到更加清晰的星座图，本方法主要是对图像中微小颗粒进行增强，只需要单帧图像便可进行增强，通过离线训练方式，得到相关颗粒的基本结构，使用该结构对单帧图像增强颗粒的轮廓。
如前所述，诸如上述方法的现有技术并不能得到更加内部文丽更加精细、尺寸更大的颗粒图像。
发明内容
本发明旨在针对现有技术的上述不足，提供一种图像中细小颗粒的增强方法，通过对图像的形态特征进行分析，学习出可以表征其形态特性的一系列基本特征，随后对这些形态信息进行插值及增强处理，得到更高精度的特征结构，再基于该类特征对图像中的微小颗粒进行恢复，以得到更加精细、尺寸更大的细小颗粒增强图像。
为了实现上述目的，本发明采用了如下方案。
图像中细小颗粒的增强方法，采用如下步骤：
S1、选取多个测试图像，从测试图像中选取出大量不同姿态的待识别颗粒，使用字典学习方法从中学习出颗粒图像的不同特征，并建立特征字典D；
S2、使用最近邻插值法，对特征字典D进行插值，得到更加精细的字典Dp；
S3、使用模板匹配检测算法，对待增强图像进行分析，检测出的颗粒图像I；
S4、将颗粒图像I表示成字典D与系数Z乘积的形式，即
求得系数Z；
S5、基于系数Z以及字典Dp，以
的方式求得与颗粒图像I相应的精细的颗粒Ip；
S6、将待增强图像中的颗粒图像I及其周边像素值，全部替换为精细的颗粒Ip。
与现有技术相比，本发明的有益效果在于：
通过对图像的形态特征进行分析，得到具有更高精度的颗粒特征结构字典，再通过查字典的方式将待增强图像中的颗粒图像替换为精细的颗粒，得到了更加精细、尺寸更大的细小颗粒增强图像。
下面，结合具体实施方式对本发明做进一步的说明。
具体实施方式
图像中细小颗粒的增强方法，采用如下步骤：
S1、选取多个测试图像，从测试图像中选取出大量不同姿态的待识别颗粒，使用字典学习方法从中学习出颗粒图像的不同特征，并建立特征字典D；
S2、使用最近邻插值法，对特征字典D进行插值，得到更加精细的字典Dp；
S3、使用模板匹配检测算法，对待增强图像进行分析，检测出的颗粒图像I；
S4、将颗粒图像I表示成字典D与系数Z乘积的形式，即
求得系数Z；
S5、基于系数Z以及字典Dp，以
的方式求得与颗粒图像I相应的精细的颗粒Ip；
S6、将待增强图像中的颗粒图像I及其周边像素值，全部替换为精细的颗粒Ip。
在上述方法中，字典学习方式为
其中，Y为由颗粒图像列向量组成的图像，D为求取的字典，X为字典对应的系数，λ为拉格朗日系数。
字典学习的思想源自实际生活中的字典的概念，其目标是提取事物最本质的特征(类似于字典当中的字或词)。字典学习将我们的到的对于物体的信息降维，减少了该物体一些无关紧要信息对我们定义这个物体的干扰。
用数学语言描述，字典学习的主要思想是，利用包含K个原子dk的字典矩阵D∈Rm×K，稀疏线性表示原始样本Y∈Rm×n(其中m表示样本数，n表示样本的属性)，即有Y＝DX(理想情况)，其中X∈RK×n为稀疏矩阵，可以将上述问题用数学语言描述为一个带有约束的优化问题，再利用拉格朗日乘子法将其转化为无约束优化问题：
输入是yi，需要求解的是D和xi。刚开始的时候，D是一个由部分yi构成的初始矩阵，然后求解xi，xi确定后，可以再求优化后的D，如此反复迭代获得最优的结果。这种求解方式称为K-SVD，速度比较快。这是两步求解的算法：先固定D，求x，再固定x更新D，交替进行。K-SVD方法本质上属于一种压缩的思想，主要包含以下两个步骤：(1)稀疏编码；(2)字典更新。K-SVD中，稀疏编码可使用OMP方法，然后字典更新使用SVD奇异值分解。
为便于理解，下面以K-SVD方法为例来说明字典的求解方式。
1)基本定义
Y是一个矩阵，是参与训练的样本yi的集合，样本数量为n，假设样本的维度是m。
D是一个矩阵，是字典，该矩阵是k*m，其中k是字典中原子的数量，m是原子的维度(和样本维度一致)
X是一个矩阵，是稀疏代码xi的集合，xi的维度是m
2)初始化
从样本集Y中随机挑选k个样本，作为D的初始值；并且初始化X为0。
3)求解xi
为了简单起见，我们抽出一个样本进行讨论，假定样本为y向量，稀疏代码为x向量。现在y和D算是已知的，求解x，同时满足x尽量的稀疏，也就是非零元素尽量的少。假设D为[d1,d2,d3,d4,d5]，其中有5个原子。首先求出离y距离最近的原子，假设是d3。那么我们就可以求出一个初步的x为[0,0,c3,0,0]，c3是一个未知系数，代表原子的权重。假定y＝c3*d3。可求得c3的值。接着我们用求出的c3求残差向量y′＝y-c3*α3，y′是一个预设的阈值向量，当y′小于阈值的话，则停止计算，如果不小于的话，转到下一步。
计算剩余的原子d1,d2,d4,d5中与残差向量y′距离最近的，假设是d1，那么更新x为[c1,0,c3,0,0]，假设y＝c1*d1+c3*d3，求解出c1，然后更新残差向量y′＝y-c1*d1-c3*α3。判断是否小于阈值，如果不满足，再继续求下一个最近的原子的系数。求解原子系数的数量也可以指定为一个常量，例如3，那就代表迭代3次。
4)更新字典
通过上一个步骤可以求出所有的xi，接着就可以更新字典D了。如上所述，K-SVD的方法是逐个地更新字典的原子以及编码。
进一步的，步骤S2中的最近邻插值法，系在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素。最近邻插值法是一种简单的插值算法，不需要计算，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素。
进一步的，步骤S2对特征字典D进行插值后，通过像素灰度值取整得到更加精细的字典Dp。
进一步的，步骤S6中采用图片局部替换以及局部像素替换的方法，将待增强图像中的颗粒图像I及周边像素值，全部替换为精细的颗粒Ip，达到基于颗粒形态信息等特征，对图像中的微小颗粒进行恢复，以得到更加精细、尺寸更大的颗粒图像，以实现图像增强的效果。
对于本领域技术人员而言，本发明的保护范围并不限于上述示范性实施例的细节，在没有背离本发明的精神或基本特征的情况下，本领域技术人员基于本发明的要件所做出的等同含义和保护范围内的所有变化的实施方式均应囊括在本发明之内。
Claims (5)
1.图像中细小颗粒的增强方法，其特征在于，采用如下步骤：
S1、选取多个测试图像，从测试图像中选取出大量不同姿态的待识别颗粒，使用字典学习方法从中学习出颗粒图像的不同特征，并建立特征字典D；
S2、使用最近邻插值法，对特征字典D进行插值，得到更加精细的字典Dp；
S3、使用模板匹配检测算法，对待增强图像进行分析，检测出的颗粒图像I；
S4、将颗粒图像I表示成字典D与系数Z乘积的形式，即
求得系数Z；
S5、基于系数Z以及字典Dp，以
的方式求得与颗粒图像I相应的精细的颗粒Ip；
S6、将待增强图像中的颗粒图像I及其周边像素值，全部替换为精细的颗粒Ip。
2.如权利要求1所述的图像中细小颗粒的增强方法，其特征在于，字典学习方式为
其中，Y为由颗粒图像列向量组成的图像，D为求取的字典，X为字典对应的系数，λ为拉格朗日系数。
3.如权利要求1所述的图像中细小颗粒的增强方法，其特征在于，步骤S2中的最近邻插值法，系在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素。
4.如权利要求1所述的图像中细小颗粒的增强方法，其特征在于，步骤S2对特征字典D进行插值后，通过像素灰度值取整得到更加精细的字典Dp。
5.如权利要求1所述的图像中细小颗粒的增强方法，其特征在于，步骤S6中采用图片局部替换以及局部像素替换的方法，将待增强图像中的颗粒图像I及周边像素值，全部替换为精细的颗粒Ip。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011238406.5A CN112288654A (zh) | 2020-11-09 | 2020-11-09 | 图像中细小颗粒的增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011238406.5A CN112288654A (zh) | 2020-11-09 | 2020-11-09 | 图像中细小颗粒的增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288654A true CN112288654A (zh) | 2021-01-29 |
Family
ID=74351331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011238406.5A Pending CN112288654A (zh) | 2020-11-09 | 2020-11-09 | 图像中细小颗粒的增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288654A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130170767A1 (en) * | 2012-01-04 | 2013-07-04 | Anustup Kumar CHOUDHURY | Image content enhancement using a dictionary technique |
| WO2014144306A1 (en) * | 2013-03-15 | 2014-09-18 | Arizona Board Of Regents On Behalf Of Arizona State University | Ensemble sparse models for image analysis and restoration |
| WO2014210368A1 (en) * | 2013-06-28 | 2014-12-31 | D-Wave Systems Inc. | Systems and methods for quantum processing of data |
| CN105631839A (zh) * | 2014-09-08 | 2016-06-01 | 西南科技大学 | 一种针对颗粒厚度的超分辨率测量方法 |
| KR20170022736A (ko) * | 2015-08-21 | 2017-03-02 | 인하대학교 산학협력단 | 딕셔너리 학습 기반 해상도 향상 장치 및 방법 |
| CN106778807A (zh) * | 2016-11-22 | 2017-05-31 | 天津大学 | 基于公共字典对和类依赖字典对的细粒度图像分类方法 |
| CN107194873A (zh) * | 2017-05-11 | 2017-09-22 | 南京邮电大学 | 基于耦合字典学习的低秩核范数正则人脸图像超分辨方法 |
| CN108038503A (zh) * | 2017-12-08 | 2018-05-15 | 东华大学 | 一种基于k-svd学习字典的机织物纹理表征方法 |
| CN108154499A (zh) * | 2017-12-08 | 2018-06-12 | 东华大学 | 一种基于k-svd学习字典的机织物纹理瑕疵检测方法 |
| CN108229505A (zh) * | 2018-02-05 | 2018-06-29 | 南京邮电大学 | 基于fisher多级字典学习的图像分类方法 |
| CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
| KR20200026549A (ko) * | 2018-09-03 | 2020-03-11 | 인천대학교 산학협력단 | 에지 컴퓨팅용 초고해상도 영상을 복원하기 위한 초고해상도 영상 복원 장치 및 방법 |
| CN111709442A (zh) * | 2020-05-07 | 2020-09-25 | 北京工业大学 | 一种面向图像分类任务的多层字典学习方法 |
-
2020
- 2020-11-09 CN CN202011238406.5A patent/CN112288654A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130170767A1 (en) * | 2012-01-04 | 2013-07-04 | Anustup Kumar CHOUDHURY | Image content enhancement using a dictionary technique |
| WO2014144306A1 (en) * | 2013-03-15 | 2014-09-18 | Arizona Board Of Regents On Behalf Of Arizona State University | Ensemble sparse models for image analysis and restoration |
| WO2014210368A1 (en) * | 2013-06-28 | 2014-12-31 | D-Wave Systems Inc. | Systems and methods for quantum processing of data |
| CN105631839A (zh) * | 2014-09-08 | 2016-06-01 | 西南科技大学 | 一种针对颗粒厚度的超分辨率测量方法 |
| KR20170022736A (ko) * | 2015-08-21 | 2017-03-02 | 인하대학교 산학협력단 | 딕셔너리 학습 기반 해상도 향상 장치 및 방법 |
| CN106778807A (zh) * | 2016-11-22 | 2017-05-31 | 天津大学 | 基于公共字典对和类依赖字典对的细粒度图像分类方法 |
| CN107194873A (zh) * | 2017-05-11 | 2017-09-22 | 南京邮电大学 | 基于耦合字典学习的低秩核范数正则人脸图像超分辨方法 |
| CN108038503A (zh) * | 2017-12-08 | 2018-05-15 | 东华大学 | 一种基于k-svd学习字典的机织物纹理表征方法 |
| CN108154499A (zh) * | 2017-12-08 | 2018-06-12 | 东华大学 | 一种基于k-svd学习字典的机织物纹理瑕疵检测方法 |
| CN108229505A (zh) * | 2018-02-05 | 2018-06-29 | 南京邮电大学 | 基于fisher多级字典学习的图像分类方法 |
| CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
| KR20200026549A (ko) * | 2018-09-03 | 2020-03-11 | 인천대학교 산학협력단 | 에지 컴퓨팅용 초고해상도 영상을 복원하기 위한 초고해상도 영상 복원 장치 및 방법 |
| CN111709442A (zh) * | 2020-05-07 | 2020-09-25 | 北京工业大学 | 一种面向图像分类任务的多层字典学习方法 |
Non-Patent Citations (1)
| Title |
|---|
| 廖秀秀: "基于学习的图像超分辨率重建算法研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 11, pages 21 - 22 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lim et al. | DSLR: Deep stacked Laplacian restorer for low-light image enhancement | |
| CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
| CN107610049B (zh) | 基于稀疏正则化技术和加权引导滤波的图像超分辨率方法 | |
| CN108289222B (zh) | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 | |
| Zhao et al. | Detail-preserving image denoising via adaptive clustering and progressive PCA thresholding | |
| CN107590779B (zh) | 一种基于图像块聚类字典训练的图像去噪去模糊方法 | |
| CN110378924B (zh) | 基于局部熵的水平集图像分割方法 | |
| CN113808032A (zh) | 多阶段渐进式的图像去噪算法 | |
| CN108182694B (zh) | 一种基于插值的运动估计与自适应视频重建方法 | |
| CN110930327B (zh) | 基于级联深度残差网络的视频去噪方法 | |
| CN107194873B (zh) | 基于耦合字典学习的低秩核范数正则人脸图像超分辨方法 | |
| CN113269682B (zh) | 一种结合帧间信息的非均匀运动模糊视频复原方法 | |
| CN110996096A (zh) | 一种基于结构相似性差异度的色调映射图像质量评价方法 | |
| CN110728728B (zh) | 一种基于非局部正则的压缩感知网络图像重建方法 | |
| CN109741258B (zh) | 基于重建的图像超分辨率方法 | |
| CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
| CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
| CN112288654A (zh) | 图像中细小颗粒的增强方法 | |
| CN114119369A (zh) | 自动整体约束的超分辨率图像梯度重构方法 | |
| CN111275620B (zh) | 一种基于Stacking集成学习的图像超分辨方法 | |
| Shi et al. | LCA-Net: A Context-Aware Light-Weight Network For Low-Illumination Image Enhancement | |
| Priorov et al. | Applications of image filtration based on principal component analysis and nonlocal image processing | |
| CN108492264B (zh) | 一种基于sigmoid变换的单帧图像快速超分辨方法 | |
| Niu et al. | An Adaptive Recovering Algorithm for The Color Bar Code Image Based on Gamma Transforms | |
| CN110827237B (zh) | 基于拮抗颜色空间半参考色调映射图像质量评价方法 |
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 |