[发明专利]基于非局部统计本征的去马赛克方法

权利要求书

1.一种基于非局部统计本征的去马赛克方法，其特征在于，包括以下步骤：

将场景经过滤波矩阵，得到总测量值，并将所述总测量值按光谱通道进行分离，得到多个子测量值；

将所述多个子测量值分别进行初始化估计得到各通道的预设图像；

设定样例图像子块，在所述预设图像中搜索与所述样例图像子块结构相似的图像子块进行匹配，并将所述样例图像子块和所述结构相似的图像子块组合成数据矩阵；

对所述数据矩阵进行低秩正则化约束，并联合模拟测量值与真实测量值的最小化约束，得到优化重建的目标函数；所述对所述数据矩阵进行低秩正则化约束包括：对所有的数据矩阵都完成低秩估计后，将这些低秩估计作为正则化约束项；

对所述目标函数进行求解，得到目标图像的估计值；以及：

将所述目标图像的估计值作为新的预设图像，所述新的预设图像作为下次迭代的初值，再次进行块匹配、低秩估计和去马赛克，循环迭代上述步骤至指定次数或算法收敛，得到目标去马赛克图像；

所述数据矩阵的低秩正则化约束使用加权核范数代替核范数，所述加权核范数的形式为：

其中，σ_j表示内部矩阵X的第j个奇异值；ω_j表示第j个奇异值对应的权重；所述目标函数形式为：其中，y_k为第k个通道的测量值；Φ_k为第k个通道的下采样矩阵；x_k为第k个通道的目标图像；η为通道的噪声；

所述目标函数求解时，引入辅助变量，使所述目标函数经过分解后，通过交替进行所述数据矩阵的低秩估计和所述目标图像的去马赛克重建，最后得到对所述目标图像的估计值；所述引入辅助变量为L_i，引入辅助变量后的目标函数变为

对引入辅助变量后的目标函数进行分解后得到下式

其中，是在x_k上相同位置抠出来的数据矩阵，加权核范数，其计算式为ω_j≥0为L_i矩阵的每个奇异值σ_j所对应的权重, λ0是正则化参数;

通过对上述两个等式交替进行数据矩阵的低秩估计和目标图像的去马赛克重建，最后得到对目标图像的估计值。

2.根据权利要求1所述的方法，其特征在于，所述预设图像的初始化估计方法包括插值法去马赛克或压缩感知去马赛克算法。

3.根据权利要求2所述的方法，其特征在于，所述插值法去马赛克包括最近邻插值法、双线性插值法和自适应插值法。

4.根据权利要求2所述的方法，其特征在于，所述压缩感知去马赛克方法包括离散余弦变换下的压缩感知方法、全变差最小化下的压缩感知方法和基于广义交替投影的全变差最小化下的压缩感知方法。

5.根据权利要求1所述的方法，其特征在于，在进行匹配过程前，需按指定步长提取所述样例图像子块并预设一个初值T作为衡量图像子块之间的相似度阈值，其中，当搜索范围内的图像子块与所述样例图像子块的相似度满足T时，则所述图像子块被选为与所述样例图像子块结构相似的图像子块。

6.根据权利要求5所述的方法，其特征在于，所述相似度的度量方法包括曼哈顿距离、欧氏距离和标准化欧氏距离。

7.根据权利要求1或5所述的方法，其特征在于，在所述预设图像中搜索与所述样例图像子块结构相似的图像子块进行匹配中的搜索范围为全局范围内的非局部范围，是否被选中为与所述样例图像子块结构相似的图像子块仅取决于相似度是否满足阈值要求。