CN112734875A - 基于非局部低秩正则化的图像重建方法 - Google Patents
基于非局部低秩正则化的图像重建方法 Download PDFInfo
- Publication number
- CN112734875A CN112734875A CN202110024434.5A CN202110024434A CN112734875A CN 112734875 A CN112734875 A CN 112734875A CN 202110024434 A CN202110024434 A CN 202110024434A CN 112734875 A CN112734875 A CN 112734875A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- rank
- local low
- method based
- 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 27
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000006467 substitution reaction Methods 0.000 claims abstract description 6
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004513 sizing Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于非局部的低秩正则化的图像重建方法。首先,输入图像的测量矩阵和观测值,通过离散余弦变换初步恢复出重建的图像,引入非局部低秩正则化约束,寻找重建图像中的相似块并构成二维群组矩阵,进行秩最小化的约束,选择截断加权Schatten‑p范数作为矩阵秩的非凸替代函数,并利用加权奇异值阈值方法估计群组矩阵,最后将估计的群组矩阵反向分解成二维图像。经过交替方向乘子法的反复迭代,从而重建出原始图像。在保证图像相似块群组矩阵秩最小化的前提下,该方法明显提升了重建图像的峰值信噪比(PSNR),提高了重建图像的质量,这对于图像的压缩传输和重建具有重要的实际意义。
Description
技术领域
本发明涉及图像处理领域,特别是一种利用非局部相似块和矩阵秩特性对图像进行重建的方法。
背景技术
在压缩感知理论中,图像通常是采用随机投影获得测量值,然后结合稀疏性先验知识,求解基于l0范数或l1范数或非凸稀疏性度量函数的优化问题。考虑到图像的先验知识对于图像重建算法的结果起着至关重要的作用,因此设计有效的正则化项来约束先验知识,这对于图像的重建非常关键。传统的压缩感知方法利用图像在某些变换域的稀疏自然属性,这些变换域包括DCT(离散余弦变换)、小波域以及梯度域。近年来,图像中内在的非局部低秩性受到了更多的关注。非局部低秩先验知识已经广泛应用于人脸识别、图像修复和压缩感知重建等,并且这些算法在各自的领域都获得了很好的结果。
很不幸的是,基于非局部低秩约束的CS方法需要求解秩正则化问题,而它是一个NP-难问题。因此,如何求解产生的秩正则化问题对图像的重建结果至关重要。一种思路是选择合适的替代函数。通常核范数被用作矩阵秩函数的凸替代。理论研究表明,核范数(矩阵奇异值的和)是矩阵秩的严格凸下界。尽管核范数有很好的理论保证其正确性,但是它的理论要求在实践中通常很难满足。许多实验结果表明,非凸替代函数能够获得更准确的结果,比如logdet函数、Schatten-p等。从理论上讲,当p趋向于0时,Schatten-p范数等于矩阵的秩。
另外一种思路是对每个奇异值采取不同的处理。加权核范数给每一个奇异值分配非负权值,并且大奇异值的惩罚(权值)比小奇异值要小。在这种处理方式下,矩阵的主成分能够得到保持。另外,由于较大的多个非零奇异值不会影响矩阵的秩,所以截断核范数保持它们不变,专注于最小化剩余的奇异值的和。
然而,这些方法不能很好地近似矩阵的秩,选择的替代函数和真实秩之间还存在着差距,它们在实际的应用中获得的结果可能是次优值。
发明内容
本发明的目的在于提供一种基于非局部的低秩正则化的图像重建方法,同时设计合适的秩替代函数,进而更好地重建图像。
实现本发明目的的技术解决方案为:一种基于非局部的低秩正则化的图像重建方法,包括以下步骤:
步骤1、对测量矩阵和观测值进行离散余弦变换,初步重建图像;
步骤2、对估计图像进行重叠分块,得到图像块总数量和每个图像块的具体位置;
步骤3、对上述每个图像块按照相似性原则在全局图像中寻找相似块,得到二维群组矩阵;
步骤4、对每个所述二维群组矩阵进行低秩正则化约束,选择截断加权Schatten-p范数作为矩阵秩的非凸替代,利用加权奇异值阈值方法重新估计每个二维群组矩阵;
步骤5、利用上述估计的二维群组矩阵反向分解重建图像;
步骤6、如果迭代次数k≤最大迭代次数,那么k=k+1并跳转到步骤2继续执行,如果k>最大迭代次数,那么输出最终重建的二维图像。
进一步地,所述步骤3还包括:
进一步地,所述步骤4还包括:
对每个二维群组矩阵,进行低秩正则化的约束,
选择截断加权Schatten-p范数作为矩阵秩的非凸替代函数,则
其中,δi(Lj)表示第j个二维群组矩阵Lj的第i个奇异值。设U△VT是Lj的奇异值分解(U=(u1,…ud)∈Rd×d,△∈Rd×h,V=(v1,…vh)∈Rh×h),A∈Rr×d和B∈Rr×h分别是U和V的前r列的转置,并且满足AAT=Ir and BBT=Ir。利用加权奇异值阈值方法估计新的群组矩阵。
根据步骤3二维群组矩阵的构造方式,将各个图像块反向分解到图像中,记录下每个像素对应的权值,然后将当前的重建图像点除权值矩阵p∈Rm×n,就可得到新的重建图像。
实施本发明实施例,具有如下有益效果:本发明的方法明显提升了重建图像的峰值信噪比(PSNR),提高了重建图像的质量,这对于图像的压缩传输和重建就具有重要的实际意义。
附图说明
图1是本发明的完整流程图。
图2是四幅原始测试图像,包括Barbara、House、Lena、Cameraman。
图3是采样率为5%的重建结果。
图4是采样率为20%的重建结果。
表1是不同测试图像在不同采样率下的重建结果(峰值信噪比)。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
本发明实施例的一种基于非局部的低秩正则化的图像重建方法,通过以下步骤实现。
步骤1、设置离散余弦变换DCT的图像块的大小(本实施例取6×6)及最大迭代次数T(本实施例T初始值取0,最大迭代次数取300),对测量矩阵和测量值进行DCT操作,从而重建得到初步的二维图像x0∈Rm×n,m和n分别表示图像的长度和宽度。
步骤3、结合图像块的大小和初步重建的图像,构造出多个(本实施例取值为z)二维群组矩阵对每个图像块xj∈Rd,j=1,2…z,利用非局部低秩性,在所有的图像块中寻找h(本实施例取45)个最相似的图像块,要求满足相似性条件(ε0为阈值)(本实施例取10-3)。
步骤4、对每个二维矩阵,进行低秩正则化的约束,
选择截断加权Schatten-p范数作为矩阵秩的非凸替代,则
其中,δi(Lj)表示第j个二维群组矩阵Lj的第i个奇异值。设U△VT是Lj的奇异值分解(U=(u1,…ud)∈Rd×d,△∈Rd×h,V=(v1,…vh)∈Rh×h),A∈Rr×d和B∈Rr×h分别是U和V的前r列的转置,并且满足AAT=Ir and BBT=Ir。利用加权奇异值阈值算法估计得到新的群组矩阵。
步骤5、根据步骤3二维群组矩阵的构造方式,将群组矩阵中的各个图像块反向分解到图像中去,记录下每个像素对应的权值,然后将当前的估计图像点除权值矩阵p∈Rm×n,就可得到新的重建图像。
步骤6、如果迭代次数k≤最大迭代次数,那么k=k+1并跳转到步骤2继续执行,如果k>最大迭代次数,那么输出最终重建的二维图像。
将不同的测试图像通过本发明的方法进行重建,得到的峰值信噪比如表1所示。我们不难看出本发明的方法利用了图像固有的非局部低秩性,并选择了截断加权Schatten-p范数准确约束该性质,因此获得的重建结果比现有的算法更优。
表1不同测试图像在不同采样率下的重建结果(峰值信噪比)
以上所揭露的仅为本发明的部分较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权力要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种基于非局部低秩正则化的图像重建方法,其特征在于,包括以下步骤:
步骤1、对测量矩阵和观测值进行离散余弦变换,初步重建图像;
步骤2、对估计图像进行重叠分块,得到图像块总数量和每个图像块的具体位置;
步骤3、对上述每个图像块按照相似性原则在全局图像中寻找相似块,得到二维群组矩阵;
步骤4、对每个所述二维群组矩阵进行低秩正则化约束,选择截断加权Schatten-p范数作为矩阵秩的非凸替代,利用加权奇异值阈值方法重新估计每个二维群组矩阵;
步骤5、利用上述估计的二维群组矩阵反向分解重建图像;
步骤6、如果迭代次数k≤最大迭代次数,那么k=k+1并跳转到步骤2继续执行,如果k>最大迭代次数,那么输出最终重建的二维图像。
6.根据权利要求1所述的基于非局部低秩正则化的图像重建方法,其特征在于,所述步骤5中还包括:
根据步骤3二维群组矩阵的构造方式,将群组矩阵中的各个图像块反向分解到图像中去,记录下每个像素对应的权值,然后将当前的估计图像点除权值矩阵p∈Rm×n,就可得到新的重建图像。
7.根据权利要求4所述的基于非局部低秩正则化的图像重建方法,其特征在于,阈值ε0的取值是10-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024434.5A CN112734875A (zh) | 2021-01-08 | 2021-01-08 | 基于非局部低秩正则化的图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024434.5A CN112734875A (zh) | 2021-01-08 | 2021-01-08 | 基于非局部低秩正则化的图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734875A true CN112734875A (zh) | 2021-04-30 |
Family
ID=75591368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110024434.5A Pending CN112734875A (zh) | 2021-01-08 | 2021-01-08 | 基于非局部低秩正则化的图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734875A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876884A (zh) * | 2018-06-21 | 2018-11-23 | 汕头大学 | 一种基于非局部的张量低秩正则化的高光谱图像重建方法 |
CN110992292A (zh) * | 2019-12-09 | 2020-04-10 | 河北工业大学 | 一种增强型低秩稀疏分解模型医学ct图像去噪方法 |
-
2021
- 2021-01-08 CN CN202110024434.5A patent/CN112734875A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876884A (zh) * | 2018-06-21 | 2018-11-23 | 汕头大学 | 一种基于非局部的张量低秩正则化的高光谱图像重建方法 |
CN110992292A (zh) * | 2019-12-09 | 2020-04-10 | 河北工业大学 | 一种增强型低秩稀疏分解模型医学ct图像去噪方法 |
Non-Patent Citations (5)
Title |
---|
LEI FENG1等: "Image Recovery via Truncated Weighted Schatten-p Norm Regularization", 《SPRINGER NATURE SWITZERLAND AG 2018》, pages 3 * |
于琳琳: "基于非局部低秩正则化的CT图像重建", 《硕士电子期刊》, pages 3 * |
朱俊;陈长伟;: "基于稀疏和低秩约束的压缩感知图像重建算法", 金陵科技学院学报, no. 04, pages 29 - 32 * |
朱俊;陈长伟;苏守宝;常子楠;: "基于局部和非局部正则化的图像压缩感知", 数据采集与处理, no. 06, pages 86 - 93 * |
陈长伟;朱俊;: "基于低秩和稀疏性先验知识的压缩感知图像重构", 计算机应用研究, no. 03, pages 315 - 318 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Reweighted low-rank matrix analysis with structural smoothness for image denoising | |
Wen et al. | FRIST—Flipping and rotation invariant sparsifying transform learning and applications | |
Bao et al. | Image restoration by minimizing zero norm of wavelet frame coefficients | |
Feng et al. | Image compressive sensing via truncated schatten-p norm regularization | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
Feng et al. | Compressive sensing via nonlocal low-rank tensor regularization | |
CN113689513B (zh) | 一种基于鲁棒张量分解的sar图像压缩方法 | |
Han et al. | Sparse and truncated nuclear norm based tensor completion | |
Zhang et al. | Adaptive compressed sensing of color images based on salient region detection | |
Qi et al. | Two dimensional synthesis sparse model | |
Du et al. | Compressive sensing image recovery using dictionary learning and shape-adaptive DCT thresholding | |
He et al. | Non-local sparse regularization model with application to image denoising | |
Jing et al. | Image super-resolution based on multi-space sparse representation | |
Dhumal et al. | Survey on comparative analysis of various image compression algorithms with singular value decomposition | |
Li et al. | Image reconstruction based on the improved compressive sensing algorithm | |
CN112734875A (zh) | 基于非局部低秩正则化的图像重建方法 | |
CN116258673A (zh) | 能谱ct的图像重建方法、系统、电子设备及存储介质 | |
Chen et al. | Robust image compressive sensing based on m-estimator and nonlocal low-rank regularization | |
Zhang et al. | Image compressed sensing based on non-convex low-rank approximation | |
Zheng et al. | A multi-level residual reconstruction based image compressed sensing recovery scheme | |
Zhang et al. | Blind image separation based on reorganization of block DCT | |
Zhu et al. | Image recovery based on local and nonlocal regularizations | |
Yadav et al. | Multiresolution analysis based sparse dictionary learning for remotely sensed image retrieval | |
Wang et al. | Single image super-resolution via self-similarity and low-rank matrix recovery | |
Ru et al. | Patch-based weighted SCAD prior for compressive sensing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210430 |
|
WD01 | Invention patent application deemed withdrawn after publication |