[发明专利]基于级联高斯词典的图像复原方法

说明书

本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D_train，若学习用于复原灰度图像的纹理结构词典库，将D_train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D_train中全体图像像数值归一化并采用重叠方式分割为s_patch×s_patch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z_Ch,nz，全体学习图像块向量构成学习图像块向量集Z_Ch＝{z_Ch,nz}_{nz＝1,2,...,Nz}，其中s_patch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，z_Ch,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。