[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

说明书

本发明公开了一种基于SVD近似矩阵约束的图像深度学习修复方法，包括：步骤1，对待修复图像进行SVD分解，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；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，构建相似图像块集合；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。本发明提供的图像深度学习修复方法，最终得到的修复图像在视觉上更加连续。

技术领域

本发明涉及计算机图像处理技术领域，具体涉及一种基于SVD近似矩阵约束的图像深度学习修复方法。

背景技术

图像修复就是重建一幅图像中的缺失区域的过程，通常会使用缺失区域周围的像素信息。修复的目的，就是构建一幅完整的人眼“可观察”的正常图像。

图像修复最早是由Bertalmio等人提出的，常见的一些修复方法都是基于PDE的，也就是通过解偏微分方程的的方程完成修复。Dallester等人基于变分提出了一种新的偏微分方程；Levin等人提出了一种基于梯度域的图像修复方法；Alilou等人提出了一种使用GRNN神经网络的方法，但是对于纹理丰富，缺损区域较大的图像，这些方法都有其局限性。

近期，Xu和Sun利用稀疏表达的思想，提出了一种基于实例的修复方法，但是这种方法需要一个先验，即假设缺失区域可以用候选的图像块的线性组合来表达。

发明内容

本发明提供了一种基于SVD近似矩阵约束的图像深度学习修复方法，最终得到的修复图像在视觉上更加连续。

一种基于SVD近似矩阵约束的图像深度学习修复方法，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。

步骤1中，对待修复图像进行奇异值分解，能够在一定程度上分离待修复区域，使最终修复得到的图像在视觉上更加连续。

本发明利用深度生成神经网络模型学习相似图像块的分布特征，学习完成之后，利用深度生成神经网络模型生成具有相应分布特征的图像块，利用生成的图像块进行图像修复，修复得到的图像更加符合图像概率分布，视觉上更连续。

深度生成神经网络模型生成的图像块可以与相似图像块集合中的图像块相同或不同，生成的图像块更加多样，以达到更好的修复效果。

作为优选，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；