CN116012264B - 一种基于稀疏约束的图像恢复方法 - Google Patents
一种基于稀疏约束的图像恢复方法 Download PDFInfo
- Publication number
- CN116012264B CN116012264B CN202310302924.6A CN202310302924A CN116012264B CN 116012264 B CN116012264 B CN 116012264B CN 202310302924 A CN202310302924 A CN 202310302924A CN 116012264 B CN116012264 B CN 116012264B
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- sub
- sparse constraint
- formula
- 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 47
- 238000011084 recovery Methods 0.000 title description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及计算机视觉技术领域,公开了一种基于稀疏约束的图像恢复方法,将含有n×m个像素的待恢复图像I构造一个矩阵M;假设矩阵M可以分解成一个具有矩阵M真实结构的低秩矩阵L和一个稀疏表示的噪声矩阵E;用基于稀疏约束的方法,将核范数和稀疏约束替代秩函数和矩阵l 0范数;用交替方向法,分别固定其他参数,分别迭代求解子问题L和E;子问题L用奇异值阈值法来平等收缩奇异值,子问题E用广义阈值函数来求解;迭代一定的次数或者误差足够小,获得的低秩近似矩阵L,即恢复的图像。图像恢复方法可以有效的恢复被噪声污染的图片。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于稀疏约束的图像恢复方法。
背景技术
数字图像是数字通信、数字视频、数字电视、数字医学图像处理、安防、卫星图像处理等领域中不可或缺的基础数据,但在图像采集、传输和处理过程中,由于噪声、信号弱化、图像失真、运动模糊等原因,数字图像会受到一定程度的破坏,降低了图像质量和清晰度,影响了图像的可视化效果和信息提取能力。因此,图像恢复技术具有重要的研究价值和应用前景。
图像恢复技术是数字图像处理领域的一个重要研究方向,其主要目的是从受损图像中恢复尽可能接近原始图像的信息。在图像恢复中,最常用的方法是基于图像复原的数学模型。这种方法基于信号处理和图像处理的原理,通过建立数学模型对受损图像进行分析和重构,提高图像的质量和清晰度,以便更好地进行信息提取和可视化呈现。传统的图像恢复方法存在稀疏项约束松弛这个缺陷。
发明内容
为了克服上述现有技术中的不足,本发明提供一种基于稀疏约束的图像恢复方法,图像恢复方法包括:
步骤4:用交替方向法,固定其他参数,分别得到子问题L'和E';
步骤5:用奇异值阈值法来平等收缩奇异值来求解子问题L';
步骤6:用广义阈值函数来求解子问题E';
优选地, 所述的步骤1将含有n×m个像素的待恢复图像I构造一个矩阵M的方法如下:将待恢复图像I中的n×m个像素值按照待恢复图像I的位置,构成一个数字矩阵M。
优选地,所述的步骤2假设矩阵M可以分解成一个具有矩阵M真实结构的低秩矩阵L和一个稀疏表示的噪声矩阵E的方法如下:分别用秩函数最小化和l 0范数最小化来获得一个具有矩阵M真实结构的低秩矩阵L和一个稀疏表示的噪声矩阵E。
优选地,所述的步骤3用基于稀疏约束的方法,将核范数和稀疏约束替代秩函数和l 0范数的构造方法如下:由于秩函数和l 0范数的不连续问题,秩函数最小化和l 0范数最小化问题很难合理近似,因此想到用核函数最小化和稀疏约束最小化来替代秩函数最小化和l 0范数最小化。
优选地,所述的步骤4用交替方向法,固定其他参数,分别得到子问题L'和E'的方法如下:
受增广拉格朗日乘子法的启发,
式中,Z为拉格朗日乘子,µ为正标量。主要包括以下几个子问题:
子问题L':固定E,Z,µ,更新L,式(1)变成
子问题E':固定L,Z,µ,更新E,式(1)变成
子问题Z:固定L,E,µ,通过下式(4)更新Z
优选地,所述的步骤5中用奇异值阈值法来平等收缩奇异值求解子问题L',迭代L的公式如下:
其中,
优选地,所述的步骤6利用广义阈值函数来求解子问题E',迭代E的公式如下:
如果存在这种情况:
t可以通过下式(7)求解
Y可以通过下式(8)求解
其中,
从以上技术方案可以看出,本发明具有以下优点:
基于稀疏约束的图像恢复方法,提出的假设可以很好的拟合被破坏图像的情况,并且借助稀疏约束可以获得对噪声的鲁棒性。再通过交替方向法来求解该模型,从而有效快速的进行求解。本方法能够有效地能够准确地找到图像中需要进行修复的区域,并对这些区域进行有效的修复,从而进一步去除数字图像中的噪声干扰,提高图像的质量和清晰度,从而获得恢复的图像。
附图说明
为了更加明确地说明本发明的技术方案,下文将简要介绍描述中的流程图。本领域的普通技术人员可以根据流程图极易的实行本发明的技术方案。
图1是本发明的流程图;
图2是利用本发明方法恢复图像1的对比图,其中,a)为原始图像,b)为噪声图像,c)为恢复图像;
图3是利用本发明方法恢复图像2的对比图,其中,a)为原始图像,b)为噪声图像,c)为恢复图像;
图4是利用本发明方法恢复图像3的对比图,其中,a)为原始图像,b)为噪声图像,c)为恢复图像。
具体实施方式
为了更加清晰、易懂地阐述本发明的发明目的、特征和优点,下文将运用具体的实施例,对本发明保护的技术方案进行全面、清晰的描述。需要注意的是,下文所描述的实施例仅为本发明的部分实施例,而非全部实施例。基于本专利中的实施例,本领域的普通技术人员可在不做出创造性劳动的前提下获得其他所有实施例,这些实施例均属于本专利保护的范围。
本发明提供一种基于稀疏约束的图像恢复方法,如图1所示,图像恢复的方法包括:
步骤2:假设矩阵M可以分解成一个具有矩阵M真实结构的低秩矩阵L和一个稀疏表示的噪声矩阵E,这个假设问题可以表述为:,分别用秩函数最小化和l 0范数最小化来获得一个具有矩阵M真实结构的低秩矩阵L和一个稀疏表示的噪声矩阵E。
式中,Z为拉格朗日乘子,µ为正标量。主要包括以下几个子问题:
子问题L':固定E,Z,µ,更新L,式(1)变成
子问题E':固定L,Z,µ,更新E,式(1)变成
子问题Z:固定L,E,µ,通过下式(4)更新Z:
步骤 5:用奇异值阈值法来平等收缩奇异值求解子问题L',迭代L的公式如下:
其中,
步骤 6:用广义阈值函数来求解子问题E',迭代E的公式如下:
如果存在这种情况:
其他情况则是:
t可以通过下式(7)求解
Y可以通过下式(8)求解
其中,
利用本发明所述方法恢复图像1、图像2和图像3的对比图如图2、图3和图4所示,相对于其他恢复方法,利用本发明所述方法恢复的图像不仅有图像大体的样子,而且还在细节方面取得了很大的改善。
上述说明旨在使本领域的专业技术人员能够实现或使用本发明所公开的实施例。对于这些实施例的多种修改,对于本领域的专业技术人员来说应该是显而易见的。需要强调的是,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中得以应用。因此,本发明并不仅限于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽范围。换言之,本文中所公开的实施例只是本发明的示范性实施例,不代表本发明的全部实现方式。因此,在理解本发明时,应当意识到实施例之间的差异可能会对实施效果产生影响。
Claims (3)
1.一种基于稀疏约束的图像恢复方法,其特征在于,图像恢复方法包括:
步骤4:用交替方向法,固定其他参数,分别得到子问题L'和E',具体方法如下:
主要包括以下几个子问题:子问题L':固定E,Z,µ,更新L,式(1)变成
子问题E':固定L,Z,µ,更新E,式(1)变成
子问题Z:固定L,E,µ,通过下式(4)更新Z
步骤5:用奇异值阈值法来平等收缩奇异值来求解子问题L',迭代L的公式如下:
其中,
步骤6:用广义阈值函数来求解子问题E',迭代E的公式如下:
如果存在这种情况:
其他情况则是:
t可以通过下式(7)求解
Y可以通过下式(8)求解
2.根据权利要求1所述的一种基于稀疏约束的图像恢复方法,其特征在于,
所述的步骤1将含有n×m个像素的待恢复图像I构造一个矩阵M的方法如下:将待恢复图像I中的n×m个像素值按照待恢复图像I的位置,构成一个数字矩阵M。
3.根据权利要求1所述的一种基于稀疏约束的图像恢复方法,其特征在于,
所述的步骤2假设矩阵M可以分解成一个具有矩阵M真实结构的低秩矩阵L和一个稀疏表示的噪声矩阵E的方法如下:分别用秩函数最小化和l 0范数最小化来获得一个具有矩阵M真实结构的低秩矩阵L和一个稀疏表示的噪声矩阵E。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310302924.6A CN116012264B (zh) | 2023-03-27 | 2023-03-27 | 一种基于稀疏约束的图像恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310302924.6A CN116012264B (zh) | 2023-03-27 | 2023-03-27 | 一种基于稀疏约束的图像恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012264A CN116012264A (zh) | 2023-04-25 |
CN116012264B true CN116012264B (zh) | 2023-06-13 |
Family
ID=86025172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310302924.6A Active CN116012264B (zh) | 2023-03-27 | 2023-03-27 | 一种基于稀疏约束的图像恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012264B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
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 |
CN110618463A (zh) * | 2019-09-02 | 2019-12-27 | 中国石油大学(北京) | 一种核磁共振数据反演方法、装置、存储介质及设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679660B (zh) * | 2013-12-16 | 2016-12-07 | 清华大学 | 图像恢复方法及系统 |
US9734601B2 (en) * | 2014-04-04 | 2017-08-15 | The Board Of Trustees Of The University Of Illinois | Highly accelerated imaging and image reconstruction using adaptive sparsifying transforms |
CN107220211A (zh) * | 2016-12-14 | 2017-09-29 | 北京理工大学 | 一种融合张量填充和张量恢复的数据重建方法 |
US10861143B2 (en) * | 2017-09-27 | 2020-12-08 | Korea Advanced Institute Of Science And Technology | Method and apparatus for reconstructing hyperspectral image using artificial intelligence |
CN109636869B (zh) * | 2018-11-28 | 2022-07-05 | 浙江大学 | 基于非局部全变分和低秩约束的动态pet图像重建方法 |
CN109522971B (zh) * | 2018-12-18 | 2023-04-28 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
CN109903355B (zh) * | 2019-03-04 | 2020-08-04 | 四川大学 | 基于空谱双域张量自相似的能谱ct重建方法 |
CN111274525B (zh) * | 2020-01-19 | 2023-04-07 | 东南大学 | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 |
CN113033602B (zh) * | 2021-02-05 | 2022-07-05 | 西北民族大学 | 一种基于张量低秩稀疏表示的图像聚类方法 |
CN113706418B (zh) * | 2021-09-07 | 2024-07-23 | 哈尔滨工业大学 | 一种基于光谱分离的长波红外遥感图像恢复方法 |
-
2023
- 2023-03-27 CN CN202310302924.6A patent/CN116012264B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
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 |
CN110618463A (zh) * | 2019-09-02 | 2019-12-27 | 中国石油大学(北京) | 一种核磁共振数据反演方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116012264A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Tensor completion via complementary global, local, and nonlocal priors | |
CN111127346A (zh) | 基于部分到整体注意力机制的多层次图像修复方法 | |
CN111028177A (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
CN105631807B (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
Lin et al. | MSAFF-Net: Multiscale attention feature fusion networks for single image dehazing and beyond | |
CN105590296B (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
Niresi et al. | Unsupervised hyperspectral denoising based on deep image prior and least favorable distribution | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
Sun et al. | Bilateral spectrum weighted total variation for noisy-image super-resolution and image denoising | |
Shi et al. | Charformer: A glyph fusion based attentive framework for high-precision character image denoising | |
Mai et al. | Deep unrolled low-rank tensor completion for high dynamic range imaging | |
Yogananda et al. | Graph laplacian regularization with sparse coding in secure image restoration and representation for Internet of Things. | |
Wang et al. | LLDiffusion: Learning degradation representations in diffusion models for low-light image enhancement | |
CN111986121B (zh) | 基于Framelet l0范数约束的模糊图像非盲复原方法 | |
Zou et al. | Restoration of hyperspectral image contaminated by poisson noise using spectral unmixing | |
Xu et al. | Downscaled representation matters: Improving image rescaling with collaborative downscaled images | |
CN112132757B (zh) | 一种基于神经网络的通用图像复原方法 | |
CN116012264B (zh) | 一种基于稀疏约束的图像恢复方法 | |
CN116703750A (zh) | 基于边缘注意力和多阶微分损失的图像去雾方法及系统 | |
Li et al. | Blind text image deblurring algorithm based on multi-scale fusion and sparse priors | |
CN116051407A (zh) | 一种图像修复方法 | |
Jeyaprakash et al. | Linearly uncorrelated principal component and deep convolutional image deblurring for natural images | |
Ma et al. | A dehazing method for flight view images based on transformer and physical priori. | |
Li et al. | Collaborative Feedback Discriminative Propagation for Video Super-Resolution |
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 |