[发明专利]基于级联高斯词典的图像复原方法有效

专利信息
申请号: 201911066162.4 申请日: 2019-11-04
公开(公告)号: CN110866876B 公开(公告)日: 2023-07-07
发明(设计)人: 张艳宁;葛鑫;靳浩;孙瑾秋;朱宇 申请(专利权)人: 西北工业大学
主分类号: G06T5/00 分类号: G06T5/00;G06N3/0464;G06N3/082
代理公司: 西安凯多思知识产权代理事务所(普通合伙) 61290 代理人: 王鲜凯
地址: 710072 *** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 级联 词典 图像 复原 方法
【说明书】:

发明公开了一种基于级联高斯词典的图像复原方法,用于解决现有图像复原方法实用性差的技术问题。技术方案是首先采用级联方式学习多维高斯分布模型对大量图像细节纹理结构进行学习和建模,构建纹理结构词典库,通过少数对比检索词典库中大量词典,具有快速索引功能,且该纹理结构词典库通过向下级联或剪枝方式扩展和调整细节纹理词典,具有不同类型图像复原迁移的高灵活度;然后从构建的纹理结构词典库快速索引得到合适高斯模型进行图像复原,输出真实清晰图像。本发明能够快速复原彩色或灰度降质图像,得到真实清晰图像,且有效复原出降质图像的高频边缘和细节纹理,实用性好。

技术领域

本发明涉及一种图像复原方法,特别涉及一种基于级联高斯词典的图像复原方法。

背景技术

文献1“Learning Deep CNN Denoiser Prior for Image Restoration,IEEEInternational Conference on Computer Vision And Pattern Recognition IEEE,2017:p3929-3938”公开了一种基于深度卷积神经网络去噪的图像复原方法。该方法基于图像噪声降质过程,将噪声视为噪声污染图像和真实清晰图像之间的残差,学习了一个深度卷积神经网络从噪声污染图像中估计与真实清晰图像间残差,利用该残差从噪声污染图像中估计出真实清晰图像。该方法以噪声作为损失函数的标签训练深度卷积神经网络,目的是尽可能多得从降质图像中估计出高频异常值,导致复原所得清晰图像细节纹理缺失,锐利边缘等高频区域过度平滑,且该方法复原效果受训练时所用数据库的约束,某一类型图像训练所的复原模型无法直接迁移用于其他类型图像。

文献2“申请公布号是CN108734675A”公开了一种基于混合稀疏先验模型的图像复原方法,该方法通过对上述深度卷积神经网络估计的初始图像进行稀疏编码建模,融合从海量数据中学习到的先验信息和自然图像非局部自相似性先验信息,改善了对重复出现细节纹理的复原效果。但该方法继承了深度卷积神经网络造成锐利边缘等高频区域过度平滑的问题,会将非重复出现的细节纹理清除掉,同时该方法存在计算复杂度过大的问题,难以实用普及。

发明内容

为了克服现有图像复原方法实用性差的不足,本发明提供一种基于级联高斯词典的图像复原方法。该方法首先采用级联方式学习多维高斯分布模型对大量图像细节纹理结构进行学习和建模,构建纹理结构词典库,通过少数对比检索词典库中大量词典,具有快速索引功能,且该纹理结构词典库通过向下级联或剪枝方式扩展和调整细节纹理词典,具有不同类型图像复原迁移的高灵活度;然后从构建的纹理结构词典库快速索引得到合适高斯模型进行图像复原,输出真实清晰图像。本发明能够快速复原彩色或灰度降质图像,得到真实清晰图像,且有效复原出降质图像的高频边缘和细节纹理,实用性好。

本发明解决其技术问题所采用的技术方案:一种基于级联高斯词典的图像复原方法,其特点是包括以下步骤:

步骤一、采集任意场景下彩色清晰无噪声图片构建学习图片库Dtrain,若学习用于复原灰度图像的纹理结构词典库,将Dtrain中图像转化为灰度图,设置色彩控制变量Ch=1;若学习用于复原RGB编码彩色图像的纹理结构词典库,设置Ch=3。

步骤二、对学习图片库Dtrain中全体图像像数值归一化并采用重叠方式分割为spatch×spatch像素大小学习图像块,学习图像块减去各学习图像块均值,进一步按行、列、颜色通道的优先级顺序将各学习图像块像素串联为学习图像块向量zCh,nz,全体学习图像块向量构成学习图像块向量集ZCh={zCh,nz}nz=1,2,...,Nz,其中spatch表示每个图像块水平或竖直方向像素数量,Nz表示学习图像块向量总数,zCh,nz表示第nz个学习图像块向量,nz表示图像块在对应图像块集合中的索引序号。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西北工业大学,未经西北工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911066162.4/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top