[发明专利]基于卷积与K-SVD字典联合稀疏编码的图像分解方法

说明书

本发明公开了一种基于卷积与K‑SVD字典联合稀疏编码的图像分解方法，首先对获取的彩色图像进行预处理，得到待分解图像；然后将待分解图像分解为两个未知分量的线性叠加；依据两个未知分量的先验特征，构建先验约束；最后通过交替优化对两个未知分量进行求解；依据收敛条件，判断是否达到可行性解。本发明可用于图像去噪，依据不同噪声类型学习得到一组卷积算子，通过更新卷积核和响应系数逼近噪声，该方法能动态应用于多种噪声类型，克服了依据噪声类型构建不同正则化约束项的缺点。

技术领域

本发明属于数字图像处理与计算机视觉技术领域，具体涉及一种基于卷积与K-SVD字典联合稀疏编码的图像分解方法。

背景技术

在计算机视觉领域，很多底层视觉问题，比如噪声去除，卡通纹理分解，反射消除，Retinex模型等均可建模为将单张图像分解成两个未知分量的和。其中一个分量B表示成像场景的主体结构信息，另一个分量S根据视觉任务不同可表示噪声点，纹理或者光照部分等。由于未知量个数多于已知量，理论上该分解问题属于病态问题。本发明是基于卷积与K-SVD字典联合稀疏编码的图像分解方法，旨在依据B和S的不同先验特征，为其各自构建有效的逼近模型，达到有效的解耦效果。基于图像分解的噪声去除领域，对图像主体结构B的建模有变分模型及基于完备字典的稀疏编码重建，噪声分量S具有稀疏性和低秩性等特点，故用L1范数与核范数正则化项约束。但是这些正则化项基于很强的先验假设，需要根据不同的噪声类型构建不同的正则化项，可扩展性差。比如，面向条带噪声，常采用单向变分模型。针对Retinex模型，B和S均采用各项异性变分建模，但输入图像中有噪声时，分解结果中包含的噪声会对后续图像增强产生不良影响。

发明内容

本发明的目的是提供一种基于卷积与K-SVD字典联合稀疏编码的图像分解方法，可用于图像去噪，依据不同噪声类型学习得到一组卷积算子，通过更新卷积核和响应系数逼近噪声，该方法能动态应用于多种噪声类型，克服了依据噪声类型构建不同正则化约束项的缺点。

本发明所采用的技术方案是，一种基于卷积与K-SVD字典联合稀疏编码的图像分解方法，具体按照以下步骤实施：

步骤1、对获取的彩色图像进行预处理，得到待分解图像；

步骤2、将待分解图像分解为两个未知分量的线性叠加；

步骤3、依据两个未知分量的先验特征，构建先验约束；

步骤4、通过交替优化对两个未知分量进行求解；

步骤5、依据收敛条件，判断是否达到可行性解。

本发明的特点还在于，

步骤1具体如下：

用I表示待分解图像，针对彩色噪声图像，从RGB颜色空间转化到YUV颜色空间，使I等于Y分量；针对彩色低照度图像，从RGB颜色空间转换到HSV空间，使I等于V分量的Log变换。

步骤2具体如下：

令：

I＝B+S (1)

针对去噪任务，B表示无噪声图像，S表示噪声点；

针对Retinex模型，B表示物体反射性质图像，S表示入射光图像。

步骤3具体如下：

为分量B构建约束模型Φ(B)：

s.t.B＝Dα (2)