[发明专利]一种多目标图像的修复方法

权利要求书

1.一种多目标图像的修复方法，其特征在于，包括：

S1、构造参数化小波基函数；

S2、将小波基函数引入条带波函数中，形成插值多尺度条带波函数；

S3、针对图像的不同纹理结构形成参数化插值条带波学习字典；

S4、将全变差模型中的BV(Ω)空间用贝索夫空间的代替，并引入参数化插值条带波学习字典，形成图像条带波稀疏表示变分模型；

S5、基于所述图像条带波稀疏表示变分模型，对多目标物图像进行同伦分析，精确分割目标物图像；

S6、基于图像的同伦分割结果，建立目标可控的图像分割和修复耦合变分模型，对图像进行修复。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括：

S31、将原始图像分成若干块，每个图像块含n个像素，分别对这些图像块进行条带波变换；

S32、利用所述条带波变换结果形成图像块的条带波域稀疏模型：

min||α_i,j||₀ s.t.X_i,j＝Φα_i,j

其中，Φ是M维向量φ_i构成的矩阵当N＞＞M时称为字典，N是表示支撑区间的常数，α_i,j是图像块经条带波变换后得到的系数矩阵，X_i,j是图像块的稀疏表达。

3.根据权利要求1所述的方法，其特征在于，所述步骤S5进一步包括：

S51、确定目标物的生物特性和图像之间的映射关系：

其中，z_i表示生物特性，包括结构分形指数、表皮弹性与图像轮廓的曲率关系、表面积占整体总面积的比例；

S52、基于所述参数化插值条带波学习字典，建立图像分割变分模型：

其中,Γ|u₀表示图像分割目标物边界，α表示目标物轮廓的同伦参数，即平滑区域惩罚项正则化参数，β表示目标物梯度的同伦参数，λ表示正则化参数，取值为常数，表示字典稀疏表示图像的梯度，Du₀表示图像目标物的重构图像，Ω表示整幅图像区域，D表示所述参数化插值条带波学习字典，u是稀疏系数，即图像在学习字典上的投影系数，B(u,z_i)表示目标图像的生物学特性z_i和稀疏系数u之间的映射关系，H¹(Γ)表示图像轮廓的长度，是同伦函数；

S53、基于所述图像分割变分模型的得解，利用数值跟踪同伦路径的方式得到同伦分析的优化结果。

4.根据权利要求1所述的方法，其特征在于，所述步骤S6还包括：

S61、采用基于插值条带波变换对图像进行微局部分析，获得图像中不同目标物的轮廓；

S62、判断所述图像中目标物的图像是否完整；

S63、当所述目标物的图像完整时，采用目标可控分割模型对目标物进行分割得到目标物的边界轮廓，并对所述目标物的边界轮廓进行三维放样插值，获得当前目标物的近似边界轮廓，构建目标物的近似轮廓和真实轮廓的逼近度泛函，采用优化理论实现图像的精确分割。

5.根据权利要求4所述的方法，其特征在于，当所述步骤S62中判断所述目标物的图像不完整时，需对缺损区域进行修复和分割，包括：

步骤一，用目标可控分割模型对指定目标物进行迭代分割；

步骤二，用未完成的分割线作为修补区域，计算填充像素的优先权；

所述步骤一和步骤二迭代进行，实现目标图像的精确分割和修复。

6.根据权利要求1所述的方法，其特征在于，所述参数化小波基函数为：

其中，φ(x)表示香农小波函数或者三角小波函数，N是表示支撑区间的常数，a_i是与目标图像的光滑性相关的待定参数，m表示已知整数，χ是海维赛德函数。