[发明专利]基于混合稀疏先验模型的图像复原方法

摘要

本发明公开了一种自然图像复原方法，主要解决现有技术中无法得到较为满意的客观复原效果和主观视觉效果的问题。其实现方案为：1)对复原图像和循环次数进行初始化；2)构造并训练12层卷积神经网络；3)计算初始复原图像初步估计值；4)由初始复原图像初步估计值计算稀疏特征图初步估计值；5)对初始复原图像初步估计值分块，并计算块的权重；6)由块的权重计算稀疏特征图非局部估计值；7)由稀疏特征图初步估计值和非局部估计值计算稀疏特征图先验估计值；8)根据稀疏特征图的先验估计值构建求解复原图像的目标函数；9)求解目标函数并输出复原图像。本发明复原结果纹理细节清晰，可用于将数码相机中的退化图像恢复出真实图像。

主权项

1.一种自然图像复原方法，包括如下步骤：(1)设置退化图像y，初始化复原图像x(0)＝HTy，其中H表示退化算子，设置循环次数t＝0,1,2,...,M，M最大循环次数取值为100；(2)构造一个12层卷积神经网络，并对其进行训练，用训练好的卷积神经网络计算初始复原图像x⁽⁰⁾的初步估计值(3)根据初步估计值计算稀疏特征图初步估计值：其中w_k为卷积滤波器，*表示卷积操作，k＝1,2,...,P，P为稀疏特征图的数量；(4)对初始复原图像x⁽⁰⁾的初步估计进行分块，并对每一个块进行相似块的寻找，得到L个与相似的图像块计算相似块的权重其中c表示尺度常数，h表示归一化常数，表示二范数操作；(5)利用相似块及权重计算稀疏特征图非局部估计块：并将进行拼接得到稀疏特征图非局部估计其中表示的第i个块；(6)根据稀疏特征图非局部估计计算稀疏特征图先验估计：其中0＜ξ＜1为一个预定义的常数；(7)基于已有的解析稀疏编码模型，根据所求得的稀疏特征图先验估计μk，构建求解复原图像x和稀疏特征图zk的目标函数：其中，η表示重构误差项的权重，λ表示先验项的权重，表示F范数操作，||·||₁表示一范数操作，表示目标函数取得最小值时x和z_k所取得的值，求解z_k和x的过程是一个交替计算z_k和x的步骤，分别描述在(8)和(9)中；(8)记x^(t)表示第t次循环时的复原图像值，根据(7)中的目标函数得到计算第t次循环时稀疏特征图z_k的稀疏特征图：其中soft为软阈值函数，λ为先验项的权重，当t＝0时，(1)中给出了x⁽⁰⁾＝H^Ty，当t>0时，x^(t)取上一次循环(9)中的x^(t+1)；(9)根据(7)中的目标函数，计算第t+1次循环时的复原图像值x(t+1)：其中(·)‑1代表矩阵求逆操作，(·)T代表矩阵转置操作；(10)循环执行步骤(8)‑(9)共M次，直到x(t+1)收敛，输出最终的复原图像x。