[发明专利]一种基于判别共享字典的机织物纹理重构方法

权利要求书

1.一种基于判别共享字典的机织物纹理重构方法，其特征是包括如下步骤：

步骤1：对于含有C类样本的机织物纹理图像集，先对其中的第c类机织物纹理样本图像I_c进行直方图均衡化处理增强其纹理特征，再将I_c划分成n_c个w×w的图像块，并映射每个图像块至w²×1的一维列向量，将n_c个一维列向量进行合并得到矩阵则包含C类样本的数据集其中和表示矩阵属于实数空间并指明了维度，w为划分得到的图像块的尺寸，C为机织物纹理图像集的样本种类数量，c为机织物纹理图像样本类别；

步骤2：建立判别共享字典学习模型；所述判别共享字典学习模型包括Fisher判别项和系数判别项

步骤3：设置结构化字典D的原子个数，共享字典D₀的原子个数，以及参数η₁，η₂，η₃的值，对于包含C类机织物纹理样本的数据集Y＝[Y₁，…，Y_c，…，Y_C]，首先使用在线字典学习算法计算每一类样本的初始字典D₁，…，D_c，…，D_C，通过随机选取包含C类样本的数据集Y的列向量得到初始的共享字典D₀，则初始的完备字典然后使用匹配追踪算法计算初始的稀疏系数矩阵在此基础上输入包含C类样本的数据集Y对判别共享字典学习模型进行优化求解，得到适应于该数据集的结构化字典D、共享字典D₀和完备的稀疏系数矩阵

步骤4：对新的机织物纹理测试图像I_i，先按步骤1的方法对其进行预处理得到矩阵Y_i，再基于步骤3中得到的结构化字典D和共享字典D₀利用匹配追踪算法计算其对应的稀疏系数

步骤5：利用D、D₀和进行重构得到Y′_i；

步骤6：提取矩阵Y′_i中的每一列重新组合成图像块，再将组合成的图像块拼接成重构图像I′_i；

所述步骤2中建立的判别共享字典学习模型为：

其中D_c为第c类机织物纹理样本图像对应的类别子字典且每一列都经过归一化处理，D＝[D₁，…，D_c，…D_C]为结构化字典；D₀为共享字典且每一列都经过归一化处理，为完备字典；为完备的稀疏系数矩阵；X为包含C类样本的数据集Y基于结构化字典D的稀疏系数；X_c为第c类样本Y_c基于结构化字典D的稀疏系数；为第c类样本基于类别子字典D_j的稀疏系数；X⁰为包含C类样本的数据集Y基于共享字典D₀的稀疏系数；M_c，M和M⁰分别为X_c，X和X⁰的均值向量构成的均值矩阵；η₁，η₂和η₃为预先定义好的参数，控制模型中各约束项所占的比重；表示矩阵A的F范数，即矩阵A中各元素的平方和；||A||_*表示矩阵A的核范数，即矩阵A的奇异值的和；||A||₁表示矩阵A的l₁范数，即矩阵A中各元素绝对值之和；

D_c为正交字典，即D_c满足：

其中表示D_c的第i个原子，表示D_c的第j个原子。

2.根据权利要求1所述的一种基于判别共享字典的机织物纹理重构方法，其特征在于，步骤1中所述一维列向量由划分所得机织物图像块所有列与列之间首尾相连组成。

3.根据权利要求1所述的一种基于判别共享字典的机织物纹理重构方法，其特征在于，步骤1中所述将n_c个一维列向量进行合并得到矩阵具体为令这n_c个一维列向量分别为矩阵