[发明专利]基于混合稀疏先验模型的图像复原方法

说明书

本发明公开了一种自然图像复原方法，主要解决现有技术中无法得到较为满意的客观复原效果和主观视觉效果的问题。其实现方案为：1)对复原图像和循环次数进行初始化；2)构造并训练12层卷积神经网络；3)计算初始复原图像初步估计值；4)由初始复原图像初步估计值计算稀疏特征图初步估计值；5)对初始复原图像初步估计值分块，并计算块的权重；6)由块的权重计算稀疏特征图非局部估计值；7)由稀疏特征图初步估计值和非局部估计值计算稀疏特征图先验估计值；8)根据稀疏特征图的先验估计值构建求解复原图像的目标函数；9)求解目标函数并输出复原图像。本发明复原结果纹理细节清晰，可用于将数码相机中的退化图像恢复出真实图像。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种图像复原方法，可用于将数码相机中的退化图像恢复出真实图像。

背景技术

图像在成像、压缩、传输、记录、显示的过程中，由于成像过程受环境噪声影响，成像系统本身的不稳定性和与环境的相对运动，以及信号传输介质的影响，使得最终得到的图像相对于真实图像本身有很大程度上的退化。常见的图像退化有噪声污染、图像分辨率不足、图像模糊等，得到的退化图像是不可用的。图像复原技术就是利用退化的图像得到其潜在的真实图像。传统的基于模型的图像复原方法由于缺乏关于真实图像的鲁棒的先验信息和模型求解迭代次数过多，往往难以获得较为理想的复原效果并且算法运行时间较长，而基于学习的图像复原方法由于模型的训练数据难以构造、训练时间较长、模型复杂度较高而难以应用到实际应用之中。

Kai Zhang等人在其发表的论文“Learning Deep CNN Denoiser Prior forImage Restoration”(IEEE International Conference on Computer Vision AndPattern Recognition IEEE,2017:3929-3938)中提出了一种基于卷积神经网络降噪器的图像复原方法。该方法对图像的退化过程进行了建模，将退化的图像和真实图像之间的残差视为噪声，学习了一个卷积神经网络充当降噪器的功能，进行退化图像和真实图像之间的残差的消除，此方法利用了外部海量数据中的先验信息，对于测试图像有较好的泛化能力，然而此方法并没有利用到退化图像内部的先验信息，对于重复性的纹理结构和训练集中的未见样本不能做到很好的恢复。

国防科技大学在其申请的专利文献“一种基于观测信号拆分的快速稀疏图像复原方法”(专利申请号：2015102469757，公开号：CN104835126A)中提出了一种基于稀疏表示的图像复原方法，此方法立足于稀疏编码模型，是一种利用先验正则项进行自然图像复原的方法，由于其无法利用外部海量数据中的先验信息，因此该方法不能在测试图像上获得较好的泛化能力。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于混合稀疏先验模型的图像复原方法，旨在结合基于模型的图像复原方法和基于学习的图像复原方法，同时利用外部海量数据中的先验信息和退化图像内部的先验信息，获得更好的图像复原效果。

本发明的技术思路是：结合深度神经网络，将从海量数据中学习到的先验和图像非局部自相似性先验到稀疏编码模型中，实现自然图像的复原。其步骤包括如下：

(1)设置退化图像y，初始化复原图像x⁽⁰⁾＝H^Ty，其中H表示退化算子，，设置循环次数t＝0,1,2,...,M，M最大循环次数取值为100；

(2)构造一个12层卷积神经网络，并对其进行训练，用训练好的卷积神经网络计算初始复原图像x⁽⁰⁾的初步估计值

(3)根据初步估计值计算稀疏特征图初步估计值：其中w_k为卷积滤波器，*表示卷积操作；