[发明专利]基于非局部统计本征的去马赛克方法

说明书

本发明公开了一种基于非局部统计本征的去马赛克方法，该方法包括以下步骤：将测量值按光谱通道分离后，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，在预设图像中搜索与样例图像子块结构相似的图像子块进行匹配，并将结构相似的图像子块组合成数据矩阵；对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；对目标函数进行求解，得到目标图像的估计值；将估计值作为新的预设图像，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。该方法在压缩感知理论的基础上，充分利用了自然图像的非局部结构信息，提高了图像去马赛克重建精度，能够达到更好的去马赛克效果。

技术领域

本发明涉及计算机视觉和计算摄像学中的计算重建技术领域，特别涉及一种基于非局 部统计本征的去马赛克方法。

背景技术

为了能够用体积小、成本低的数码相机获取彩色图像或者多光谱图像，人们发明了单 传感器结构相机。这类相机的结构特点是它仅有一个探测器，在探测器前面有一层彩色/多 通道滤波阵列，使每个像素点只接受一种波段的光。这类单传感器结构相机获取的图像被 称为马赛克图，通过算法将各波段缺失的像素分量估计出来的过程称为去马赛克过程。去 马赛克问题自诞生以来就被广泛关注，通过去马赛克算法重建出高精度的图像成为研究的 重点。

传统的去马赛克技术多以插值法为主。简单的插值法包括最近邻插值和双线性插值， 但他们对于图像的边缘区域重建效果极差。针对该问题，1997年柯达公司的J.FHamilton 和J.Adams提出自适应插值方法，该方法沿着边缘梯度进行插值进而将图像的像素间相关 性利用了起来，在该自适应插值方法的基础上，2005年美国西弗吉尼亚大学的Li等人提出 了连续逼近去马赛克方法。除了上述利用相关性的插值方法，2011年香港理工大学的Zhang 等人还提出了基于局部方向插值和非局部均值滤波的去马赛克方法及基于局部方向插值和 自适应阈值的去马赛克方法，他们利用图像的非局部冗余性来提高图像的重建效果。

与此同时，随着压缩感知技术的发展，2010年密歇根州立大学的A.A Moghadam等人 提出压缩去马赛克方法，将压缩感知和去马赛克问题结合起来并设计了一种新的随机排列 的彩色滤波阵列，该方法成功的将去马赛克图像重建出来，且效果优于传统的插值方法。 这项研究的成功开启了去马赛克问题的一个新的研究方向。受此启发，2014年Aggarwal 等人尝试将去马赛克问题从红绿蓝(RGB)三通道模型向多通道(多光谱)模型拓展，并 尝试利用压缩感知理论解决多光谱去马赛克问题。该方法使用的彩色滤波阵列拓展性更强 并且去马赛克效果更好。因此，如何在增加光谱通道的同时保证去马赛克重建精度，亟待 解决。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于非局部统计本征的去马赛克方法，该方法充分 利用了自然图像的非局部结构信息，能够达到更好的去马赛克效果。

为达到上述目的，本发明提出了基于非局部统计本征的去马赛克方法，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； 对所述目标函数进行求解，得到目标图像的估计值；将所述目标图像的估计值作为新的预 设图像，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。

本发明实施例的基于非局部统计本征的去马赛克方法，将去马赛克问题建模为非局部 统计本征的压缩感知问题，通过充分利用了自然图像的非局部统计特征和结构稀疏性，得 到一种重建光谱通道数量易控、重建图像精度高、重建算法鲁棒性强的去马赛克方法，实 现了高质量的去马赛克图重建，提高了重建精度，且计算过程简单、方便、快捷。