優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法
【專利摘要】本發(fā)明公開了一種優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法，按如下步驟進(jìn)行：第一步：將彩色圖像由RGB顏色空間映射到Y(jié)UV顏色空間，對(duì)三層分量分別進(jìn)行修復(fù)；第二步：利用Fast?ICA算法訓(xùn)練獲得過(guò)完備字典；第三步：計(jì)算待修復(fù)圖像破損區(qū)域的邊緣所有點(diǎn)的優(yōu)先權(quán)，確定修復(fù)的優(yōu)先順序；第四步：結(jié)合SL0算法對(duì)破損塊進(jìn)行稀疏重構(gòu)；第五步：更新邊緣并重復(fù)第三步、第四步，直至圖像完成修復(fù)。本發(fā)明方法修復(fù)圖像質(zhì)量高，修復(fù)圖像的邊緣結(jié)構(gòu)具有較好的連續(xù)性，又能保持圖像的整體性。
【專利說(shuō)明】
優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)字圖像修復(fù)技術(shù)領(lǐng)域，具體涉及圖像修復(fù)技術(shù)中的優(yōu)先權(quán)約束的彩 色圖像稀疏表示修復(fù)方法。
【背景技術(shù)】
[0002] 目前彩色圖像的修復(fù)主要基于將灰度圖像的修復(fù)方法直接擴(kuò)展到彩色圖像的RGB 三個(gè)分量中分別修復(fù)。傳統(tǒng)的灰度圖像修復(fù)方法分為兩類:一類是基于偏微分方程的方法。 該方法本質(zhì)上根據(jù)等照度線方向進(jìn)行信息的擴(kuò)散，修復(fù)效果貼近人的視覺(jué)感受，但是該方 法只能修復(fù)破損塊較小的圖像。另一類是基于紋理合成的方法。該方法是在未破損區(qū)域?qū)?找最佳匹配塊替換待修復(fù)塊，當(dāng)找不到匹配塊時(shí)就會(huì)產(chǎn)生錯(cuò)誤匹配。雖然目前對(duì)該方法進(jìn) 行了較多的改進(jìn)，但還是會(huì)出現(xiàn)錯(cuò)誤的匹配和加權(quán)圖像塊過(guò)多帶來(lái)的模糊。最近，一種新的 圖像稀疏表示方法在圖像處理領(lǐng)域得到重視，許多學(xué)者將稀疏理論運(yùn)用到圖像修復(fù)的方法 中。

【發(fā)明內(nèi)容】

[0003] 在研究中發(fā)現(xiàn)，RGB顏色模型三通道間的相關(guān)性以及其結(jié)構(gòu)復(fù)雜性導(dǎo)致修復(fù)效果 的不理想。圖像修復(fù)過(guò)程中較少考慮修復(fù)塊的優(yōu)先順序會(huì)使得結(jié)構(gòu)邊緣修復(fù)效果不理想。 為了較好地修復(fù)彩色圖像，本發(fā)明將彩色圖像從RGB空間映射到Y(jié)UV空間進(jìn)行修復(fù)，并且利 用優(yōu)先權(quán)函數(shù)來(lái)決定破損塊的修復(fù)順序。結(jié)合Fast-ICA算法訓(xùn)練字典和稀疏表示的優(yōu)點(diǎn)， 本發(fā)明提供了一種優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)技術(shù)。
[0004] 本發(fā)明采取以下技術(shù)方案:優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法，將彩色圖 像從RGB顏色空間映射到Y(jié)UV顏色空間分層進(jìn)行修復(fù);利用Fast-ICA算法訓(xùn)練過(guò)完備字典； 通過(guò)重新定義梯度的表達(dá)式，優(yōu)化了優(yōu)先權(quán)的計(jì)算，使得結(jié)構(gòu)部分優(yōu)先被修復(fù)，并采用平滑 1〇范數(shù)(SL0)算法來(lái)進(jìn)行稀疏重構(gòu)，以此保證結(jié)構(gòu)邊緣修復(fù)的連續(xù)性;按如下步驟進(jìn)行：
[0005] 第一步:將彩色圖像由RGB顏色空間映射到Y(jié)UV顏色空間，對(duì)三層分量分別進(jìn)行修 復(fù)；
[0006] 第二步:利用Fast-ICA算法訓(xùn)練獲得過(guò)完備字典；
[0007] 第三步:計(jì)算待修復(fù)圖像破損區(qū)域的邊緣所有點(diǎn)的優(yōu)先權(quán)，確定修復(fù)的優(yōu)先順序；
[0008] 第四步:結(jié)合已有的SL0算法對(duì)破損塊進(jìn)行稀疏重構(gòu)，具體實(shí)現(xiàn)過(guò)程如下：
[0009] (1)設(shè)置初始值全〇 初始余量r〇 = 0，函數(shù)的初始參數(shù)〇 = 1;其中DT為 字典D的轉(zhuǎn)置，Y為待重構(gòu)信號(hào)。
[0010] (2)計(jì)算最優(yōu)值搜索方向
；其 中函數(shù)
，^是父的分量。74(1)是函 數(shù)Fa(X)在各個(gè)分量上的偏導(dǎo)，_\_ =尤.！，〖=1,2,3? S
[0011] (3)阻尼牛頓法X=X+wl，ii為步長(zhǎng)因子，在本發(fā)明中y = l;
[0012] ⑷利用投影梯度可得X=X-DT(DDT)-1(DX-Y)，同時(shí)計(jì)算余量r = Y-DX;
[0013] (5)當(dāng)相鄰2次迭代的余量滿足I Ir-rol |2<e時(shí)，執(zhí)行下一步，取e = 0.01;否則，令 r〇 = r，繼續(xù)執(zhí)行步驟(2)到(4)。
[0014] (6)進(jìn)一步減小參數(shù)〇的值。當(dāng)〇>10-2時(shí)，令〇 =伽(〇<0<1，一般0取0.7)，r〇 = 0， 返回步驟(2);否則，停止迭代，得到最優(yōu)值f i。
[0015]第五步:更新邊緣并重復(fù)第三步、第四步，直至圖像完成修復(fù)。
[0016] 優(yōu)選的，第一步：先利用RGB顏色模型與YUV顏色模型之間的轉(zhuǎn)化公式，將圖像從 RGB空間映射到Y(jié)UV空間。為了克服RGB顏色模型三通道間的相關(guān)性以及其結(jié)構(gòu)復(fù)雜性導(dǎo)致 修復(fù)效果的不理想，本發(fā)明在YUV顏色空間對(duì)破損圖像進(jìn)行修復(fù)。YUV模型是用亮度和色度 來(lái)表示顏色信息，其中，Y表示亮度，U和V表示色度，三分量之間彼此相互獨(dú)立。YUV模型中的 亮度Y與RGB模型中的R、G、B三個(gè)顏色分量的轉(zhuǎn)換關(guān)系可以表示為：
[0017] Y = 0.3R+0.59G+0.11B (1)
[0018] 色度信息U和V是由B-Y、R_Y按照不同的比例混合而成的，Ga_a校準(zhǔn)之后其模型之 間的轉(zhuǎn)化公式為： ~rl [0.299 0.587 0.114 JR
[0019] U = -0J47 -0*2:89 0.436 G (2) r」1_0,6:1.5 0.51.5 -0,100 知
[0020] 優(yōu)選的，第二步:利用Fast-ICA算法訓(xùn)練字典。為了提高重構(gòu)精度，降低字典訓(xùn)練 計(jì)算的復(fù)雜度，保證訓(xùn)練字典的過(guò)完備性，便于擴(kuò)展完備字典使其具體靈活性，同時(shí)還能改 善因字典原子間的互相干性導(dǎo)致邊界稀疏修復(fù)的不理想現(xiàn)象。本發(fā)明采用Fast-ICA算法來(lái) 實(shí)現(xiàn)字典訓(xùn)練:假設(shè)一組信號(hào)父={幻#，"1}為另外一組信號(hào)3={> 1，82，'"~}的觀測(cè)值。 設(shè)信號(hào)X中的第i個(gè)值可以由信號(hào)的S中的n個(gè)獨(dú)立分量線性混合而成：
[0021] xi = aiisi+ai2S2+."+ainsn i = l，2,…，j (3)
[0022]其中，m，a2, "_an為混合矩陣A的元素。因此，式⑶可改寫成：
[0023] X=AS (4)
[0024] 其中，混合矩陣A和源信號(hào)S都是未知的，F(xiàn)ast-ICA方法的目的就是估計(jì)出混合矩 陣S，通過(guò)混合矩陣A的逆矩陣，得到一個(gè)分解矩陣W，使得Y = WX。由此得到的信號(hào)Y就是源信 號(hào)S的估計(jì)值。
[0025]算法具體實(shí)現(xiàn)步驟：
[0026] (a)提取的圖像塊組成一個(gè)nXn觀測(cè)矩陣x，并進(jìn)行去中心化處理，
[0027] (b)利用已有的Fast-ICA方法，計(jì)算觀測(cè)矩陣x在mXm維度下的特征向量E和特征 值對(duì)角矩陣D，其中n>m;
[0028] (c)利用特征值向量E和特征值對(duì)角矩陣D，對(duì)觀測(cè)矩陣5白化處理，^ ^
[0029 ] (d)選擇一個(gè)單位范數(shù)的初始化向量Wi;
[0030] (6)更新％<-￡!處令.;幻丨-￡-丨公?：^:，并進(jìn)行標(biāo)準(zhǔn)化化-化/||界 1||;其中￡ { ? }表示求均值，向量wf為向量Wi的轉(zhuǎn)置，I |wi| I表示求模值，g( ?)為非二次函數(shù)。
[0031] (f)若尚未收斂返回步驟(e);
[0032] (g)當(dāng)i小于需要估計(jì)分量的個(gè)數(shù)m，重復(fù)步驟(d)-(f)，得到一個(gè)mXm的分離矩陣 I
[0033] 在本發(fā)明中，非二次函數(shù)為奸= ve #，y為函數(shù)變量。
[0034]優(yōu)選的，第三步:為了使結(jié)構(gòu)邊緣的修復(fù)更具有連貫性，采用優(yōu)先權(quán)函數(shù)來(lái)決定待 修復(fù)區(qū)域的修復(fù)順序，為了保證邊緣能夠優(yōu)先修復(fù)，提高其可靠性。通過(guò)改進(jìn)梯度表示方 式，使其能得到更多的邊緣信息，增大數(shù)據(jù)項(xiàng)D(p)的權(quán)重，使得邊緣信息更加容易被優(yōu)先修 復(fù)。優(yōu)先權(quán)的計(jì)算:待修復(fù)圖像1，〇為圖像未破損區(qū)域，Q為圖像破損區(qū)域，％是修復(fù)邊界 以點(diǎn)P為中心的待修復(fù)塊。其優(yōu)先權(quán)定義如下：
[0035] P(p)=C(p) ? D(p) (5)
[0036] 其中，C(p)為置信項(xiàng);D(p)為數(shù)據(jù)項(xiàng)，分別按式(6)和式(8)定義。
(6)
[0038]初始時(shí)，函數(shù)C(p)定義為： v [0 V/?eO
[0039] C(辦= (7)
[1 V/; e I - Q
[0040] 其中，|%|是待修復(fù)塊的面積，q是待修復(fù)塊中已知像素的點(diǎn)。
(8)
[0042]其中，是p點(diǎn)梯度方向的垂直方向，也就是等照線方向，nP是p點(diǎn)的法向量，0為 歸一化因子。
[0043]若設(shè)p點(diǎn)處的梯度表示為：
[0044] VI = [/.,,/,.] (9)
[0045] 其中，Ix，Iy分別為x，y方向的偏導(dǎo)。在傳統(tǒng)方法中，梯度都是基于歐式距離來(lái)進(jìn)行 表不：
[0046] |vi| = (/: + /:): (1〇)
[0047] 在本發(fā)明采用式(11)所示的改進(jìn)的表示方式：
[0048] |￥1| = |4| + |^| (11)
[0049] 優(yōu)選的，第四步：由于平滑1〇范數(shù)(SL0)算法具有不需要事先估計(jì)信號(hào)的稀疏度， 重構(gòu)精度高等優(yōu)點(diǎn)。因此，采用已有的SL0算法來(lái)完成稀疏重構(gòu)。具體實(shí)現(xiàn)過(guò)程如下：
[0051] (2)計(jì)算最優(yōu)值搜索方向 ：其
[0050] (1)設(shè)置初始值；〇二zy ) 1 .，初始余量r〇 = 〇，函數(shù)的初始參數(shù)〇 = 1;其中DT 為字典D的轉(zhuǎn)置，Y為待重構(gòu)信號(hào)。
中函數(shù)
，Xl是X的分量。▽&(%}是函 數(shù)Fa⑴在各個(gè)分量上的偏導(dǎo)，，/ = 1，2,3…S。
[0052] (3)阻尼牛頓法X=X+wl，ii為步長(zhǎng)因子，在本發(fā)明中y = l;
[0053] (4)利用投影梯度可得X=X = DT(DDT)-HDX-Y)，同時(shí)計(jì)算余量r = Y_DX;
[0054] (5)當(dāng)相鄰2次迭代的余量滿足I |r-r〇| |2<￡時(shí)，執(zhí)行下一步，取e = 0.01;否則，令 r〇 = r，繼續(xù)執(zhí)行步驟(2)到(4)。
[0055] (6)進(jìn)一步減小參數(shù)〇的值。當(dāng)〇>10-2時(shí)，令〇 =伽(〇<0<1，一般0取0.7)，r〇 = 0， 返回步驟(2);否則，停止迭代，得到最優(yōu)值
[0056]本發(fā)明從考慮結(jié)構(gòu)整體連續(xù)性的角度，公開了一種利用YUV顏色空間模型，結(jié)合優(yōu) 先權(quán)約束和塊稀疏表示的圖像修復(fù)方法。該修復(fù)方法按如下步驟:第一步:將破損的彩色圖 像由RGB顏色空間映射到Y(jié)UV顏色空間，對(duì)三層分量分別進(jìn)行修復(fù);第二步:利用Fast-ICA算 法訓(xùn)練獲得過(guò)完備字典;第三步:計(jì)算待修復(fù)圖像破損區(qū)域的邊緣所有點(diǎn)的優(yōu)先權(quán)，確定修 復(fù)的優(yōu)先順序;第四步:結(jié)合平滑1〇范數(shù)(SL0)算法對(duì)破損塊進(jìn)行稀疏重構(gòu);第五步:更新邊 緣并重復(fù)三四步驟直至圖像完成修復(fù)。本發(fā)明與傳統(tǒng)彩色圖像修復(fù)算法相比，具有如下優(yōu) 點(diǎn):本發(fā)明方法修復(fù)圖像質(zhì)量高，修復(fù)圖像的邊緣結(jié)構(gòu)具有較好的連續(xù)性，又能保持圖像的 整體性。
【附圖說(shuō)明】
[0057]圖1為本發(fā)明的流程框圖。
[0058]圖2為L(zhǎng)ena彩色圖像的YUV空間分量圖。
[0059]圖3為Y、U、V分量的訓(xùn)練字典。
[0060]圖4為修復(fù)優(yōu)先權(quán)的原理框圖。
[0061]圖5為圖像的梯度圖。
[0062 ]圖6為本發(fā)明對(duì)破損s tone圖像的修復(fù)效果的比較。
[0063]圖7為本發(fā)明對(duì)彩色Lena破損圖像修復(fù)效果的比較。
[0064]圖8為本發(fā)明對(duì)彩色baboon破損圖像修復(fù)效果的比較。
[0065]圖9為本發(fā)明文字移除效果比較。
【具體實(shí)施方式】
[0066]下面結(jié)合附圖對(duì)本發(fā)明優(yōu)選實(shí)施例作詳細(xì)說(shuō)明。
[0067]在本實(shí)施例中，圖1給出了本發(fā)明的流程圖。
[0068]第一步:先利用RGB顏色模型與YUV顏色模型之間的轉(zhuǎn)化公式，將圖像從RGB空間映 射到Y(jié)UV空間。YUV模型是用亮度和色度來(lái)表示顏色信息，其中，Y表示亮度，U和V表示色度， 三分量之間彼此相互獨(dú)立。YUV模型中的亮度Y與RGB模型中的R，G，B三個(gè)顏色分量的轉(zhuǎn)換關(guān) 系可以表示為：
[0069] Y = 0.3R+0.59G+0.11B (1)
[0070] 色度信息U和V是由B-Y、R-Y按照不同的比例混合而成的，Ga_a校準(zhǔn)之后其模型之 間的轉(zhuǎn)化公式為： ~Y~ [0.299 0.587 0.114 JR
[0071] U = -0J47 - 0.289 0,436 G (2) v\ L〇.615 0.515 -0.100 j_B
[0072]圖1給出Lena彩色圖像的YUV三分量圖。
[0073] 第二步:利用Fast-ICA算法訓(xùn)練字典。為了提高重構(gòu)精度，降低字典訓(xùn)練計(jì)算的復(fù) 雜度，保證訓(xùn)練字典的過(guò)完備性，便于擴(kuò)展完備字典使其具體靈活性，同時(shí)還能改善因字典 原子間的互相干性導(dǎo)致邊界稀疏修復(fù)的不理想現(xiàn)象。本發(fā)明采用Fast-ICA算法來(lái)實(shí)現(xiàn)字典 訓(xùn)練:假設(shè)一組信號(hào)父=& 1^，~&}為另外一組信號(hào)5={81，82^ 11}的觀測(cè)值。設(shè)信號(hào)父中 的第i個(gè)值可以由信號(hào)的S中的n個(gè)獨(dú)立分量線性混合而成：
[0074] xi = aiisi+ai2S2+---+ainSn i = l -, j (3)
[0075]其中，m，a2, "_an為混合矩陣A的元素。因此，式(3)可改寫成：
[0076] X=AS (4)
[0077] 其中，混合矩陣A和源信號(hào)S都是未知的，F(xiàn)ast-ICA方法的目的就是估計(jì)出混合矩 陣S，通過(guò)混合矩陣A的逆矩陣，得到一個(gè)分解矩陣W，使得Y = WX。由此得到的信號(hào)Y就是源信 號(hào)S的估計(jì)值。
[0078]算法具體實(shí)現(xiàn)步驟：
[0079] (a)提取的圖像塊組成一個(gè)nXn觀測(cè)矩陣x，并進(jìn)行去中心化處理x;
[0080] (b)利用已有的Fast-ICA方法，計(jì)算觀測(cè)矩陣$在mXm維度下的特征向量E和特征 值對(duì)角矩陣D，其中n>m;
[0081] (c)利用特征值向量E和特征值對(duì)角矩陣D，對(duì)觀測(cè)矩陣^白化處理J ;
[0082 ] (d)選擇一個(gè)單位范數(shù)的初始化向量Wi;
[0083] (e)更新$ f ￡{々(d)丨'-五，并進(jìn)行標(biāo)準(zhǔn)化Wi-Wi/| | Wi | | ;其中E { ? }表示求均值，向量<為向量wi的轉(zhuǎn)置，| |wi| |表示求模值，g( ?)為非二次函數(shù)。
[0084] (f)若尚未收斂返回步驟(e);
[0085] (g)當(dāng)i小于需要估計(jì)分量的個(gè)數(shù)m，重復(fù)步驟(d)-(f)，得到一個(gè)mXm的分離矩陣 I
[0086] 在本發(fā)明中，非二次函數(shù)為容⑴=_v，e-々.，y為函數(shù)變量。圖3為Y，U，V分量的字典。
[0087] 第三步:為了使結(jié)構(gòu)邊緣的修復(fù)更具有連貫性，采用優(yōu)先權(quán)函數(shù)來(lái)決定待修復(fù)區(qū) 域的修復(fù)順序，為了保證邊緣能夠優(yōu)先修復(fù)，提高其可靠性。通過(guò)改進(jìn)梯度表示方式，使其 能得到更多的邊緣信息，增大數(shù)據(jù)項(xiàng)D(p)的權(quán)重，使得邊緣信息更加容易被優(yōu)先修復(fù)。優(yōu)先 權(quán)的計(jì)算:待修復(fù)圖像1，〇為圖像未破損區(qū)域，Q為圖像破損區(qū)域，％是修復(fù)邊界以點(diǎn)p為 中心的待修復(fù)塊。其優(yōu)先權(quán)定義如下：
[0088] P(p)=C(p) ? D(p) (5)
[0089] 其中，C(p)為置信項(xiàng);D(p)為數(shù)據(jù)項(xiàng)，分別按式(6)和式(8)定義。
(6)
[0091] 初始時(shí)，函數(shù)C(p)定義為： f〇 Vp e Q 心
[0092] C(p) = \ J (7)
[1 vp g / - Q
[0093]其中，|%|是待修復(fù)塊的面積，q是待修復(fù)塊中已知像素的點(diǎn)。
(8)
[0095]其中，是p點(diǎn)梯度方向的垂直方向，也就是等照線方向，nP是p點(diǎn)的法向量，0為 歸一化因子。
[0096]若設(shè)p點(diǎn)處的梯度表示為：
[0097] V! =[/,,/,] (9)
[0098]其中，Ix，Iy分別為x，y方向的偏導(dǎo)。在傳統(tǒng)方法中，梯度都是基于歐式距離來(lái)進(jìn)行 表不：
[0099] |vi| = (/v2+ /,；)- (10)
[0100] 在本發(fā)明采用式(11)所示的改進(jìn)的表示方式：
[0101] !vi| = |/v|+|/r| (11)
[0102] 圖5為圖像的梯度圖?？梢钥闯?，本發(fā)明的梯度表示方法相比于傳統(tǒng)方法可以得到 更多的結(jié)構(gòu)信息。由于光照線強(qiáng)度決定了數(shù)據(jù)項(xiàng)D(p)的大小，從圖5中可以看出圖像線性結(jié) 構(gòu)部分的光照線強(qiáng)度明顯比傳統(tǒng)方法的強(qiáng)。因此，采用此種表達(dá)式提高了數(shù)據(jù)項(xiàng)D(p)的權(quán) 重，使結(jié)構(gòu)部分比較容易優(yōu)先得到修復(fù)，從而提高圖像紋理細(xì)節(jié)部分修復(fù)效果。
[0103] 第四步：由于平滑1〇范數(shù)(SL0)算法具有不需要事先估計(jì)信號(hào)的稀疏度，重構(gòu)精度 高等優(yōu)點(diǎn)。因此，采用已有的SL0算法來(lái)完成稀疏重構(gòu)。具體實(shí)現(xiàn)過(guò)程如下：
[0104] (1)設(shè)置初始值.Y? = /y ；) 7 .，:初始余量r〇 = 〇，函數(shù)的初始參數(shù)0 = 1;其中DT
為字典D的轉(zhuǎn)置，Y為待重構(gòu)信號(hào)。
[0105] (2)計(jì)算最優(yōu)值搜索方向 ；:其 中函數(shù)
x^X的分量。W；(Z)是函 數(shù)Fa(X)在各個(gè)分量上的偏導(dǎo)，I =免.，，/ = 1,2,3…S c
[0106] (3)阻尼牛頓法X=X+iid，ii為步長(zhǎng)因子，在本發(fā)明中ii = l;
[0107] (4)利用投影梯度可得同時(shí)計(jì)算余量r = Y_DX;
[0108] (5)當(dāng)相鄰2次迭代的余量滿足I |r-r〇| |2<￡時(shí)，執(zhí)行下一步，取e = 0.01;否則，令 r〇 = r，繼續(xù)執(zhí)行步驟(2)到(4)。
[0109] (6)進(jìn)一步減小參數(shù)〇的值。當(dāng)〇>10-2時(shí)，令〇 =伽(〇<0<1，一般0取0.7)，r〇 = 0， 返回步驟(2);否則，停止迭代，得到最優(yōu)值| = x。
[0110] 第五步:更新邊緣并重復(fù)第三、四步驟直至圖像完成修復(fù)。
[0111] 為了檢驗(yàn)本發(fā)明算法的修復(fù)效果，對(duì)圖像進(jìn)行了模擬仿真，并與其它相關(guān)修復(fù)算 法進(jìn)行了對(duì)比實(shí)驗(yàn)。仿真實(shí)驗(yàn)在MATLAB環(huán)境下進(jìn)行。在對(duì)圖像修復(fù)效果評(píng)時(shí)，除了采用主觀 評(píng)價(jià)外，同時(shí)也采用峰值信噪比(PSNR)進(jìn)行客觀評(píng)價(jià)。
[0112] 圖6為本發(fā)明對(duì)破損stone圖像的修復(fù)效果的比較。四種算法對(duì)stone線條破損圖 像的修復(fù)效果以及各算法的中間修復(fù)結(jié)果。由圖中可以看出，四種算法都能完成對(duì)線條破 損的修復(fù)。但結(jié)構(gòu)張量填充修復(fù)法 [1]和Fast-ICA訓(xùn)練掩膜法[2]在修復(fù)區(qū)域的中間部分出現(xiàn) 了顏色斷層的現(xiàn)象。其原因是由于結(jié)構(gòu)張量填充修復(fù)法 [1]和Fast-ICA訓(xùn)練掩膜法[2]在修復(fù) 過(guò)程直接利用掩膜方式確定修復(fù)塊，未考慮圖像的結(jié)構(gòu)信息，導(dǎo)致紋理上缺少連續(xù)性。在 YUV空間中，其U、V分量主要是色度信息，其中的結(jié)構(gòu)信息較少。因此，在U、V層分量的修復(fù) 上，修復(fù)效果較好，使得整體的修復(fù)效果有了較大的提高，但在Y分量上的修復(fù)效果仍然不 理想。不完整信號(hào)稀疏重建法 [3]引入優(yōu)先權(quán)約束圖像塊的修復(fù)順序，但其優(yōu)先級(jí)函數(shù)不能 確保結(jié)構(gòu)部分優(yōu)先得到修復(fù)，導(dǎo)致邊緣出現(xiàn)斷裂的現(xiàn)象。本發(fā)明算法改進(jìn)優(yōu)先級(jí)函數(shù)，從圖 6可以看出，本發(fā)明算法修復(fù)的圖像更加自然和諧。
[0113] 圖7為本發(fā)明算法對(duì)彩色Lena破損圖像修復(fù)效果的比較。四種算法對(duì)平滑區(qū)域的 修復(fù)，都可以滿足人眼的視覺(jué)要求。但在紋理細(xì)節(jié)方面，結(jié)構(gòu)張量填充修復(fù)法 [1]和Fast-ICA 訓(xùn)練掩膜法[2]的修復(fù)都有待改進(jìn)，在右上角破損區(qū)域的修復(fù)，都出現(xiàn)了顏色的延伸情況;在 肩膀的部分的修復(fù)，結(jié)構(gòu)張量填充修復(fù)法 [1]和Fast-ICA訓(xùn)練掩膜法[2]的修復(fù)出現(xiàn)了邊緣的 斷裂，在帽子部分也出現(xiàn)了邊緣不連接的情況;在眉毛的修復(fù)部分，結(jié)構(gòu)張量填充修復(fù)法 [1] 和Fast-ICA訓(xùn)練掩膜法[2]的修復(fù)使延伸段的眉毛產(chǎn)生了模糊。不完整信號(hào)稀疏重建法[3]在 帽子部分修復(fù)較好，但在右上角部分和肩膀部分出現(xiàn)了結(jié)構(gòu)不連續(xù)的現(xiàn)象。從圖7(f)可以 看出，本發(fā)明算法在修復(fù)肩膀、眉毛、帽子的邊緣有較好的修復(fù)效果。
[0114] 圖8為本發(fā)明對(duì)彩色baboon破損圖像修復(fù)效果的比較。從修復(fù)結(jié)果可以看出，結(jié)構(gòu) 張量填充修復(fù)法[1]、？ &^-扣4訓(xùn)練掩膜法[2]和不完整信號(hào)稀疏重建法[3]在鼻子平滑部分的 修復(fù)效果較好。但在修復(fù)鼻子邊緣時(shí)，結(jié)構(gòu)張量填充修復(fù)法 [1]出現(xiàn)了不連貫，結(jié)構(gòu)的連續(xù)性 被破壞;Fast-ICA訓(xùn)練掩膜法[2]出現(xiàn)了顏色的延伸現(xiàn)象，在一些邊緣部分出現(xiàn)了邊緣斷裂 的情況，修復(fù)痕跡較為明顯。不完整信號(hào)稀疏重建法 [3]在臉頰線條修復(fù)時(shí)產(chǎn)生了邊緣斷裂 的現(xiàn)象，在毛發(fā)修復(fù)上修復(fù)痕跡較為明顯。由于眼睛具有復(fù)雜的紋理和較強(qiáng)的邊緣，結(jié)構(gòu)張 量填充修復(fù)法[1]、Fast_ICA訓(xùn)練掩膜法[2]和不完整信號(hào)稀疏重建法[3]修復(fù)效果較差。本發(fā) 明不論在平滑部分和邊緣部分都有較好的修復(fù)效果，在眼睛部分的修復(fù)也能基本符合人眼 的視覺(jué)效果。
[0115] 圖9為本發(fā)明文字移除效果比較。四種算法對(duì)于文字移除都有較好的修復(fù)效果。但 結(jié)構(gòu)張量填充修復(fù)法[1]和Fast-ICA訓(xùn)練掩膜法 [2]在邊界修復(fù)上會(huì)有顏色延伸的現(xiàn)象，有明 顯的修復(fù)痕跡，不完整信號(hào)稀疏重建法[3]在修復(fù)的邊緣部分出現(xiàn)了不連續(xù)的現(xiàn)象，而本發(fā) 明在邊界上有較好的修復(fù)效果。
[0116] 注釋：
[0117] [1]結(jié)構(gòu)張量填充修復(fù)法是指文獻(xiàn)Filip〇vi6M，Kopriva I，Cichocki A.Inpainting color images in learned dictionary[C]//SignalProcessing Conference(EUSIPCO),2012Proceedings of the 20th European.IEEE,2012:66-70.
[0118] [2]Fast_ICA 訓(xùn)練掩膜法是指文獻(xiàn) Filip〇\'i6V[，Kopriva I .A comparison of dictionary based approaches to inpainting and denoising with an emphasis to independent component analysis learned dictionaries[J].Inverse Probl.Imaging, 2011，5(4):815-841.
[0119] [3]不完整信號(hào)稀疏重建法是指文獻(xiàn)是指文獻(xiàn)Xu Z，Sun J. Image inpainting by patch propagation using patch sparsity[J].Image Processing，IEEE Transactions on，2010，19(5):1153-1165.
[0120]以上對(duì)本發(fā)明的優(yōu)選實(shí)施例及原理進(jìn)行了詳細(xì)說(shuō)明，對(duì)本領(lǐng)域的普通技術(shù)人員而 言，依據(jù)本發(fā)明提供的思想，在【具體實(shí)施方式】上會(huì)有改變之處，而這些改變也應(yīng)視為本發(fā)明 的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法，其特征是按如下步驟進(jìn)行： 第一步:將彩色圖像由RGB顏色空間映射到Y(jié)UV顏色空間，對(duì)S層分量分別進(jìn)行修復(fù)； 第二步:利用化St-ICA算法訓(xùn)練獲得過(guò)完備字典； 第=步:計(jì)算待修復(fù)圖像破損區(qū)域的邊緣所有點(diǎn)的優(yōu)先權(quán)，確定修復(fù)的優(yōu)先順序； 第四步:結(jié)合化O算法對(duì)破損塊進(jìn)行稀疏重構(gòu)； 第五步:更新邊緣并重復(fù)第=步、第四步，直至圖像完成修復(fù)。2. 如權(quán)利要求1所述優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法，其特征是： 第一步:先利用RGB顏色模型與YUV顏色模型之間的轉(zhuǎn)化公式，將圖像從RGB空間映射到 YUV空間;YUV顏色模型是用亮度和色度來(lái)表示顏色信息，其中，Y表示亮度，U和V表示色度， S分量之間彼此相互獨(dú)立;YUV模型中的亮度Y與RGB模型中的R、G、BS個(gè)顏色分量的轉(zhuǎn)換關(guān) 系表不為： Y = 0.3R+0.59G+0.11B (1) 色度信息U和V是由B-Y、R-Y按照不同的比例混合而成的，Gamma校準(zhǔn)之后模型之間的轉(zhuǎn) 化公式為：(2)c3. 如權(quán)利要求2所述優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法，其特征是：第二步:假 設(shè)一組信號(hào)X={xl，X2，…Xm}為另外一組信號(hào)S={sl，S2，…Sn}的觀測(cè)值，設(shè)信號(hào)X中的第i個(gè) 值可W由信號(hào)的S中的n個(gè)獨(dú)立分量線性混合而成： Xi =日 ilSl+日 i2S2+...+日 inSn i = j (3) 其中，al，a2，…an為混合矩陣A的元素；因此，式(3)可改寫成： X=AS (4) 其中，混合矩陣A和源信號(hào)S都是未知的，F(xiàn)ast-ICA方法的目的是估計(jì)出混合矩陣S，通 過(guò)混合矩陣A的逆矩陣，得到一個(gè)分解矩陣W，使得Y = WX,由此得到的信號(hào)Y就是源信號(hào)S的 估計(jì)值。4. 如權(quán)利要求3所述優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法，其特征是:得到分解矩 陣W具體實(shí)現(xiàn)步驟： (a) 提取的圖像塊組成一個(gè)〇 X 11觀測(cè)矩陣義，并進(jìn)行去中屯、化處理，X ^之； (b) 利用主成分分析方法計(jì)算觀測(cè)矩陣:之在mXm維度下的特征向量E和特征值對(duì)角矩陣 D，其中n>m; ((3)利用特征值向量￡和特征值對(duì)角矩陣0，對(duì)觀測(cè)矩陣^白化處理，之-?^; (d) 選擇一個(gè)單位范數(shù)的初始化向量Wi; (e) 更新，并進(jìn)行標(biāo)準(zhǔn)化Wi戶Wi/I I Wi I I ;其中，g = yexp(-y^2); (f) 若尚未收斂返回步驟(e); (g) 當(dāng)i小于需要估計(jì)分量的個(gè)數(shù)m，重復(fù)步驟(d)-(f)，得到一個(gè)mXm的分離矩陣W。5. 如權(quán)利要求4所述優(yōu)先權(quán)約束的彩色圖像稀疏表示修復(fù)方法，其特征是：第=步:優(yōu) 先權(quán)的計(jì)算：O為圖像未破損區(qū)域，是修復(fù)邊界W點(diǎn)P為中屯、的待修復(fù)塊，優(yōu)先權(quán)定義如 下： P(P)=C(P)-D(P) (5) 其中，C(P)為置信項(xiàng);D(P)為數(shù)據(jù)項(xiàng)，分別定義為：(6) (V) 其中，I '巧^是P點(diǎn)梯度方向的垂直方向，也就是等照線方向，np 是P點(diǎn)的法[ 若設(shè)P,與 (8) 其中，I 采用式 ；： (10)。
【文檔編號(hào)】G06T5/00GK105913388SQ201610208041
【公開日】2016年8月31日
【申請(qǐng)日】2016年4月5日
【發(fā)明人】唐向宏, 張少鵬, 李齊良
【申請(qǐng)人】杭州電子科技大學(xué)