[发明专利]一种图像分解方法及装置

权利要求书

1.一种图像分解方法，其特征在于，所述方法包括：

根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；其中，所述目标二维图像的方向特征量A_J的计算式为：

根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；

根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；

根据所述结构度量和所述纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述的目标函数分解所述目标二维图像；

根据公式(1)所示，结构张量矩阵的特征值包括第一特征值和第二特征值，其中，当所述目标二维图像的梯度有主方向时，所述第一特征值远大于所述第二特征值，且所述方向特征量趋近于1，当所述目标二维图像的梯度杂乱时，所述第一特征值与所述第二特征值近似相等，且所述方向特征量趋近于0；

在所述根据所述结构度量构建所述目标二维图像对应的目标函数之前，所述方法还包括：根据第一计算式计算所述目标二维图像的纹理度量，所述第一计算式为：

其中，C_N(i)表示所述目标二维图像在i点的临域像素，j表示所述临域像素点的位置；θ_ij表示i点的梯度方向n_i与i点、j点之间空间向量v_ij之间的夹角；exp是以自然对数e为底的指数函数，h_i、h_j分别表示i点、j点的临域内的方向梯度直方图，所述纹理度量的数值范围为[0,1]。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

将所述目标二维图像输入到预设神经网络中，利用神经网络优化所述的目标函数，输出所述目标二维图像的结构分量。

3.如权利要求2所述的方法，其特征在于，所述预设神经网络为无监督自样本训练的神经网络。

4.如权利要求3所述的方法，其特征在于，所述无监督自样本训练的神经网络包括九个卷积层。

5.一种图像分解装置，其特征在于，包括：

至少1个存储单元；

与所述至少1个存储单元耦合的处理单元；

其中，所述至少1个存储单元用于存储计算机指令；

所述处理单元用于调用所述计算机指令，以执行权利要求1-4任一项所述的图像分解方法。

6.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行权利要求1-4任一项所述的图像分解方法。