[发明专利]一种基于统计推理的图像修复方法

说明书

本发明涉及一种基于统计推理的图像修复方法，包括以下步骤：S1：通过机器学习算法将基本的统计推理应用于信号重建；S2：利用深度神经网络算法避免传统的对损失信号进行先验统计建模，转而通过训练大量的损坏输入和清楚的目标输出参数，来建立卷积神经网络回归模型；S3：通过最小化经验风险的方法，学习将损坏的观察结果映射到观察的清晰的信号上，从而得出，在常见的情况下，即使没有观察到清晰的信号，仅通过观察损坏的数据，也能通过这种方法来修复图像。本发明基于统计推理原理，可以在未观察到完整目标数据的情况，仅训练被破环的目标数据来进行图像修复，并且在通常情况下，可取得使用完整数据接近的图像修复性能。

技术领域

本发明属于图像修复领域，涉及一种基于统计推理的图像修复方法。

背景技术

随着计算机和多媒体技术的不断发展，以图像为主的信息成为信息交换的主流媒体，极大地影响了人民的生活方式。图像修复作为图像处理领域的重要研究分支，在医疗卫生、军事安全、公共管理等诸多领域有着广泛的应用。图像修复是指利用损坏图像中的存在的一些完好的信息，填补未知区域或者将图像中的多余物体进行去除，使修复后图像接近或达到原图像的视觉效果，保证图像信息依旧能够完整的表达出它蕴含的内容。传统的图像修复方法，需要收集完整的目标数据进行训练，然而收集到完整未被破坏的目标数据在现实世界中是比较困难的，尤其是在天文成像，核磁共振成像等领域。深度神经网络的发展，避免了传统的对于损坏信号的先验建模的图像修复方法，即时使用被损坏的数据进行训练也可以得到使用完整信号训练的相同性能。

发明内容

有鉴于此，本发明的目的在于提供一种基于统计推理的图像修复方法，可以在未观察到完整目标数据的情况，仅训练被破环的目标数据来进行图像修复，并且在通常情况下，可取得使用完整数据接近的图像修复性能。

为达到上述目的，本发明提供如下技术方案：

一种基于统计推理的图像修复方法，包括以下步骤：

S1：通过机器学习算法将基本的统计推理应用于信号重建；

S2：利用深度神经网络算法避免传统的对损失信号进行先验统计建模，转而通过训练大量的损坏输入和清楚的目标输出参数，来建立卷积神经网络回归模型；

S3：通过最小化经验风险的方法，学习将损坏的观察结果映射到观察的清晰的信号上，从而得出，在常见的情况下，即使没有观察到清晰的信号，仅通过观察损坏的数据，也能通过这种方法来修复图像。

进一步，步骤S1包括以下步骤：

S11：准备一组数据被破坏的目标数据值(y₁,y₂,…)，根据一些损失函数L找到与测量值具有最小平均偏差的数字z，来估计完整的未知数据值，公式如下：

argmin_zE_y{L(z,y)}

其中，L(z,y)是损失函数，表示参数的真实值为y时，采用值为z的参数代替真实值时，所造成的损失；argmin_zE_y表示选择合适的参数z,使得损失函数L(z,y)的期望损失最小。

S12：对于损失函数L₁：

L(z,y)＝(z-y)²

该损失函数的最小值在观测值的算术平均值处找到：

z＝E_y{y}

S13：对于损失函数L₂：

L(z,y)＝|z-y|

该损失函数的最小值在观测值的中值处找到；