[发明专利]一种基于全向全变分的全向图像稀疏重构方法

说明书

技术领域

本发明涉及计算机视觉领域,特别是一种基于全向全变分的全向图像稀疏重构方法。背景技术

折反射全向成像技术将曲面反射镜和常规成像透镜相结合，凭借能一次性获得360度全方位视野的独特优势，近年来在全景视频监控、移动机器人视觉导航、虚拟空间构建等领域得到广泛研究和应用。但随着研究的不断深入，折反射全向成像技术固有的空间分辨率低、分辨率分布不均匀的缺陷严重限制了其应用范围。

近年来Donoho、Candès和Tao等人提出的压缩感知(Compressed Sensing或Compressive Sampling,CS)理论为解决困扰已久的折反射全向成像系统的分辨率问题提供了一条可行的新思路。压缩感知的优点在于充分利用了目标信号的稀疏性或可压缩性，通过低维采样数据的非相关测量实现高维信号的采集，信号的测量数据量远小于传统采样方法获取的数据量，使得高分辨率的信号采集成为可能。诸多学者已经在合成孔径雷达成像、核磁共振成像、遥感成像等领域对压缩感知展开了应用研究。目前，常用的CS重构算法主要分为两类：①基于最小l₁范数的基追踪(Basic Pursuit,BP)算法；②基于贪婪搜索的匹配追踪(Matching Pursuit,MP)算法。自然图像的重构是一个大规模近似稀疏信号的优化问题，为了获得锐利的边缘，一般采用最小全变分(total variation minimization,TV)算法代替l₁范数进行图像的重构。最小全变分算法不仅能够精确重构稀疏图像，对于分段平滑图像也能取得良好的重构效果。

TV模型首先由Rudin等人提出，由于其能够很好的保护图像边缘，一经提出便在图像去噪和去模糊等领域取得广泛应用。近年来，随着单像素相机的成功研制，CS理论在成像领域取得成功应用，CS在图像和视频领域有着广泛的应用前景。为了解决图像的重构问题，国内外学者将TV模型引入到CS领域，提出适用于图像重构的最小全变分算法，并展开广泛研究。虽然这些求解算法都能够有效求解TV最小化问题，但是基于透视成像模型的梯度计算方法进行全向图像的梯度计算时，其操作具有不合理性。在折反射全向成像过程中，由于曲面镜的反射作用，导致全向图像存在严重变形，如果我们将一幅折反射全向图像看作一个圆形碟片，从图像外环到中心分辨率逐渐降低。因此由于折反射投影，真实世界中两个具有相同欧式距离的点，当它们成像在折反射全向外环或图像中心时，它们之间的像素距离却并不相同。也就是说在折反射全向图像上，具有相邻位置关系的两个点在真实世界中却并不具有相同的依赖关系，因此，传统的梯度计算方法并不适合折反射全向图像处理，需要采用新的适应全向成像特点的梯度计算方法。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于全向全变分的全向图像稀疏重构方法，使折反射全向图像符合折反射成像特性，提高重构精度。

为解决上述技术问题，本发明所采用的技术方案是：一种基于全向全变分的全向图像稀疏重构方法，该方法为：

1）将全向图像I中的像素点m经折反射全向成像系统镜面上的点P_m反投影到柱面全景图像中，得到反投影点P_c；根据透视图像梯度计算方法，确定反投影点P_c水平和垂直方向的相邻像素点P_c1、P_c2，通过正向投影，得到像素点P_c1、P_c2对应的全向图像的像素点P_I1、P_I2，设像素点m的坐标为(i,j)，反投影点P_c的坐标为(u,v)，P_c1、P_c2的坐标分别为(u+1,v)、(u,v+1)、P_I1、P_I2的坐标分别为(i+u₁,j+v₁)、(i+u₂,j+v₂)；

2）利用下式计算出像素点m处的全向梯度幅值