[发明专利]一种基于SVD近似矩阵约束的图像深度学习修复方法

权利要求书

1.一种基于SVD近似矩阵约束的图像深度学习修复方法，其特征在于，包括：

步骤1，对待修复图像进行SVD分解，通过将相应奇异值置为零的操作，得到待修复图像的初步修复图像；

步骤2，构建相似图像集合，相似图像集合中的各图像与待修复图像的初步修复图像具有相似性；

步骤3，指定待修复图像中待修复区域，针对待修复区域边界上的每个待修复图像块，在相似图像集合中寻找和待修复图像块相似的图像块，相似图像块的集合构成相似图像块集合；

步骤4，利用相似图像块集合训练深度生成神经网络模型；

步骤5，以待修复图像块中的已知像素作为约束，利用训练好的深度生成神经网络模型生成待修复图像块像素；

步骤6，更新待修复区域，若待修复区域为空，则修复完成；否则返回步骤3。

2.如权利要求1所述的基于SVD近似矩阵约束的图像深度学习修复方法，其特征在于，步骤1中，待修复图像的初步修复图像的具体获取过程如下：

步骤1-1，对待修复图像I进行SVD分解，数学表达式如下：

[U S V]＝SVD(I)

式中：SVD表示奇异值分解操作，U,S,V分别表示分解得到的左奇异矩阵、对角矩阵和右奇异矩阵，其中，对角矩阵的对角线元素为降序排列的奇异值；

步骤1-2，对角矩阵S的对角元素为s₁₁,s₂₂,s₃₃...s_nn，其中n为奇异值个数，且满足s₁₁≥s₂₂≥s₃₃≥...s_nn≥0，进行如下迭代操作：

步骤1-2-1，将对角矩阵S的最后奇异值改为零，得到数学表达如下：

记则

步骤1-2-2，记利用SSIM方法计算I和I_n之间的相似性，SSIM方法的计算公式如下：

其中，x,y表示两个待比较的图像块，μ_x,μ_y分别为x,y的均值，σ_x,σ_y分别为x,y的标准差，σ_xy为x,y的协方差，c₁、c₂为两个常数；

步骤1-2-3，将SSIM(x,y)与阈值进行比较，如果小于等于阈值，迭代停止，初步修复图像为否则，令n＝n-1，返回步骤1-2-1，继续迭代。

3.如权利要求1所述的基于SVD近似矩阵约束的图像深度学习修复方法，其特征在于，步骤2中，从互联网中抓取不少于1000万张图像构成互联网图像集合，利用SSIM方法计算互联网图像集合中各图像与所述初步修复图像的相似性，从互联网图像集合中选取适量与初步修复图像具有相似性的图像，构成所述相似图像集合，相似图像集合中各图像的分辨率相同。

4.如权利要求1所述的基于SVD近似矩阵约束的图像深度学习修复方法，其特征在于，步骤3中，针对待修复区域边界上的每个像素点，将以该像素点为中心，大小为s的图像作为一个待修复图像块，针对每个待修复图像块进行如下操作：

步骤3-1，在相似图像集合的各图像中提取大小为s的图像块，各图像中除边界区域外每个像素对应一个以该像素为中心点的图像块，利用SSIM方法计算各图像块与待修复图像块的相似性，s为常数；

步骤3-2，将各SSIM值从小到大依次排序，选择前K个SSIM值对应的图像块，作为相似图像块集合，K为常数。