一種耦合聚類中心約束項(xiàng)的非局部稀疏表示圖像去噪方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于稀疏表示圖像處理領(lǐng)域，尤其是涉及一種基于類間相關(guān)分析的非局部稀疏表示模型，用以實(shí)現(xiàn)圖像去噪。
【背景技術(shù)】
[0002]在圖像獲取與傳輸過程中，由于系統(tǒng)和環(huán)境等因素影響，所得圖像帶有大量噪聲。實(shí)際應(yīng)用中，圖像去噪可得到高質(zhì)量圖像，以支撐后續(xù)處理等。理論層次上，圖像去噪方法的研究還與圖像建模理論研究有著密切的聯(lián)系，可為相關(guān)圖像處理方法，如圖像去模糊，圖像超分辨率，圖像分割以及圖像特征提取等研究提供新思路。圖像去噪是圖像處理和計算機(jī)視覺中經(jīng)久不衰的研究領(lǐng)域。
[0003]圖像去噪常常被視為反問題，由于其自身的不適定性，為獲得理想的去噪結(jié)果，圖像先驗(yàn)知識建模(圖像建模)研究成為了該領(lǐng)域的焦點(diǎn)。主流方法可分大致分為3類:(I)基于梯度的圖像建模；(2)基于非局部相似性的圖像建模；(3)基于變換的圖像建模。目前研究表明基于變換的方法能取得相對較好的圖像去噪結(jié)果。
[0004]作為基于變換的一類去噪方法，稀疏表示圖像去噪引起了學(xué)者們的廣泛關(guān)注。在稀疏表示理論中，字典的設(shè)計和字典自身性能是一個關(guān)鍵的問題。針對圖像的局部幾何結(jié)構(gòu)，學(xué)者們提出了 Curvelet，Contourlet ,Wedgelet，Bandlet等多尺度幾何分析變換方法，這些方法對某些特定類型的圖像結(jié)構(gòu)描述準(zhǔn)確，但對復(fù)雜圖像通常存在不足，此外這類方法需事先給定稀疏字典，即字典非自適應(yīng)于圖像內(nèi)容。為此，設(shè)計自適應(yīng)稀疏表述字典成為了熱點(diǎn)。
[0005]Elad等人較早建立了基于超完備字典的稀疏表示模型。假設(shè)信號feRn，它可表示成字典中少量元素的線性組合，即f * Φα，其中，Φ eRnXL(L>n)是一個超完備字典，每一列表示一個信號原子，向量α為只有少部分元素不為零的稀疏編碼，即該模型通過字典中少量元素的線性組合來描述信號。目前，基于稀疏表示研究主要在2個方向:I)基于原子間相關(guān)約束的稀疏表不;2)非局部稀疏表不。
[0006]傳統(tǒng)的稀疏表示方法假定自適應(yīng)字典各原子間相互獨(dú)立，而最新研究表明原子間存在一定關(guān)聯(lián)，反映了圖像幾何結(jié)構(gòu)。Peleg等利用玻爾茲曼機(jī)(Bolzmann Machine，ΒΜ)模型，分析了圖像片內(nèi)對應(yīng)原子間(非零稀疏系數(shù)對應(yīng)的原子)的相關(guān)性，增強(qiáng)了圖像的稀疏性表示?；谏鲜龇椒ǎ琑en等研究了鄰域圖像塊(相鄰8個方向)原子間的相關(guān)性，構(gòu)造了鄰域相關(guān)結(jié)構(gòu)信息的稀疏性先驗(yàn)?zāi)Ｐ?，取得了較好得去噪結(jié)果。Ren方法可視為小窗口內(nèi)的準(zhǔn)非局部稀疏表示方法。
[0007]非局部稀疏表示方法實(shí)質(zhì)是利用圖像非局部建模思想對圖像稀疏性的一種約束。最近，Dong等利用了非局部思想，提出了稀疏編碼噪聲(誤差)的概念，通過相似集中各圖像片的稀疏系數(shù)，估計了當(dāng)前圖像片理想的稀疏表示，引入了稀疏編碼誤差約束項(xiàng)，提出了一種非局部集中稀疏表示模型。目前非局部稀疏表示模型往往聚類，偏重于對各相似集內(nèi)稀疏性描述。

【發(fā)明內(nèi)容】

[0008]為了解決上述問題，本發(fā)明通過提出聚類中心字典學(xué)習(xí)方法，挖掘各相似集或各類間潛在的稀疏性先驗(yàn)知識，構(gòu)建聚類中心約束項(xiàng)，以增強(qiáng)圖像稀疏表示，并聯(lián)合該項(xiàng)與稀疏誤差項(xiàng)，將二者引入于傳統(tǒng)的稀疏表示模型，最終實(shí)現(xiàn)圖像去噪。
[0009]本發(fā)明首先提出了聚類中心字典學(xué)習(xí)方法，其流程圖如圖1所示，包括如下步驟:
[0010]步驟A，用傳統(tǒng)方法稀疏表示聚類中心圖像塊；
[0011 ]步驟B，根據(jù)稀疏表示結(jié)果與字典，生成稀疏性模式(稀疏性模式標(biāo)記了圖像塊對應(yīng)的稀疏系數(shù)是否為O);
[0012]步驟C，根據(jù)各模塊稀疏性模式與相似塊快速查找表，構(gòu)造相關(guān)性函數(shù)，繼而構(gòu)造相關(guān)性矩陣，其中相似性快速查找表記錄了與當(dāng)前圖像塊最相似的N個圖像塊；
[0013]步驟D，根據(jù)相關(guān)性矩陣構(gòu)造基于相關(guān)分析的稀疏性先驗(yàn)?zāi)Ｐ停?br>[0014]步驟E，建立稀疏性模式先驗(yàn)分布模型；
[0015]步驟F，利用最大后驗(yàn)概率估計方法估計稀疏性模式，用以生成新的聚類中心圖像片。
[0016]基于上述聚類中心字典學(xué)習(xí)方法，本發(fā)明提供了一種耦合聚類中心約束的非局部系數(shù)表示圖像去噪方法，流程圖如圖2所示，包括如下步驟:
[0017]步驟A，對待噪圖像，利用kmeans聚類，產(chǎn)生各類；
[0018]步驟B，構(gòu)建各類對應(yīng)的緊致PCA字典；
[0019]步驟C，構(gòu)造類內(nèi)圖像片稀疏編碼誤差項(xiàng)；
[0020]步驟D，計算各類中心圖片；
[0021]步驟E，利用聚類中心字典學(xué)習(xí)，分析類間相關(guān)性，得到各聚類中心的稀疏表示；
[0022]步驟F，構(gòu)造聚類中心誤差項(xiàng)；
[0023]步驟G，耦合聚類中心誤差項(xiàng)，類內(nèi)稀疏編碼誤差項(xiàng)于傳統(tǒng)稀疏表示模型；
[0024]步驟H，利用梯度下降法求解。
[0025]有益效果:
[0026]與現(xiàn)有技術(shù)相比，本發(fā)明能夠有效提升圖像去噪效果，并能夠提高聚類的準(zhǔn)確性。
【附圖說明】
[0027]圖1為本發(fā)明流程圖；
[0028]圖2為聚類中心字典學(xué)習(xí)方法流程圖。
【具體實(shí)施方式】
[0029]以下將結(jié)合具體實(shí)施例對本發(fā)明提供的技術(shù)方案進(jìn)行詳細(xì)說明，應(yīng)理解下述【具體實(shí)施方式】僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。
[0030]本發(fā)明通過下述步驟實(shí)現(xiàn)耦合聚類中心約束的非局部稀疏表示的圖像去噪，如圖1所示:
[0031]步驟A，對待噪圖像，利用kmeans聚類，產(chǎn)生各類(相似集)；
[0032]步驟B，構(gòu)建各類對應(yīng)的緊致PCA字典；
[0033]步驟C，利用Dong等提出的方法構(gòu)造類內(nèi)圖像片稀疏編碼誤差項(xiàng)；
[0034]步驟D，計算各類中心圖片；
[0035]步驟E，利用聚類中心字典學(xué)習(xí)，分析類間相關(guān)性，得到各聚類中心的稀疏表示，本步驟具體過程如圖2所示，具體包括以下步驟:
[0036]用傳統(tǒng)方法稀疏表示聚類中心圖像塊；
[0037]根據(jù)稀疏表示結(jié)果與字典，生成稀疏性模式(稀疏性模式標(biāo)記了圖像塊對應(yīng)的稀疏系數(shù)是否為O);
[0038]根據(jù)各模塊稀疏性模式與相似塊快速查找表，構(gòu)造相關(guān)性函數(shù)，繼而構(gòu)造相關(guān)性矩陣，其中相似性快速查找表記錄了與當(dāng)前圖像塊最相似的N個圖像塊；
[0039]根據(jù)相關(guān)性矩陣構(gòu)造基于相關(guān)分析的稀疏性先驗(yàn)?zāi)Ｐ停?br>[0040]建立稀疏性模式先驗(yàn)分布模型；
[0041]利用最大后驗(yàn)概率估計方法估計稀疏性模式，用以生成新的聚類中心圖像片。
[0042]步驟F，構(gòu)造聚類中心誤差項(xiàng)；
[0043]步驟G，耦合聚類中心誤差項(xiàng)，類內(nèi)稀疏編碼誤差項(xiàng)于傳統(tǒng)稀疏表示模型；
[0044]步驟H，利用梯度下降法求解。
[0045]采用上述方法處理后的圖像去噪效果好，聚類準(zhǔn)確性高。
[0046]本發(fā)明方案所公開的技術(shù)手段不僅限于上述實(shí)施方式所公開的技術(shù)手段，還包括由以上技術(shù)特征任意組合所組成的技術(shù)方案。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1.一種耦合聚類中心約束的非局部稀疏表示圖像去噪方法，其特征在于，包括如下步驟: 步驟A，對待噪圖像，利用kmeans聚類，產(chǎn)生各類； 步驟B，構(gòu)建各類對應(yīng)的緊致PCA字典； 步驟C，利用Dong等提出的方法構(gòu)造類內(nèi)圖像片稀疏編碼誤差項(xiàng)； 步驟D，計算各類中心圖片； 步驟E，利用聚類中心字典學(xué)習(xí)，分析類間相關(guān)性，得到各聚類中心的稀疏表示: 步驟F，構(gòu)造聚類中心誤差項(xiàng)； 步驟G，耦合聚類中心誤差項(xiàng)，類內(nèi)稀疏編碼誤差項(xiàng)于傳統(tǒng)稀疏表示模型； 步驟H，利用梯度下降法求解。2.根據(jù)權(quán)利要求1所述的耦合聚類中心約束的非局部稀疏表示圖像去噪方法，其特征在于，所述步驟E包括如下步驟: 用傳統(tǒng)方法稀疏表示聚類中心圖像塊； 根據(jù)稀疏表示結(jié)果與字典，生成稀疏性模式； 根據(jù)各模塊稀疏性模式與相似塊快速查找表，構(gòu)造相關(guān)性函數(shù)，繼而構(gòu)造相關(guān)性矩陣，其中相似性快速查找表記錄了與當(dāng)前圖像塊最相似的N個圖像塊； 根據(jù)相關(guān)性矩陣構(gòu)造基于相關(guān)分析的稀疏性先驗(yàn)?zāi)Ｐ停?建立稀疏性模式先驗(yàn)分布模型； 利用最大后驗(yàn)概率估計方法估計稀疏性模式，用以生成新的聚類中心圖像片。
【專利摘要】本發(fā)明公開了一種耦合聚類中心約束項(xiàng)的非局部稀疏表示圖像去噪方法，包括下述步驟：對待噪圖像，利用kmeans聚類，產(chǎn)生各類；構(gòu)建各類對應(yīng)的緊致PCA字典；利用Dong等提出的方法構(gòu)造類內(nèi)圖像片稀疏編碼誤差項(xiàng)；計算各類中心圖片；利用聚類中心字典學(xué)習(xí)，分析類間相關(guān)性，得到各聚類中心的稀疏表示：構(gòu)造聚類中心誤差項(xiàng)；耦合聚類中心誤差項(xiàng)，類內(nèi)稀疏編碼誤差項(xiàng)于傳統(tǒng)稀疏表示模型；利用梯度下降法求解。本發(fā)明通過提出聚類中心字典學(xué)習(xí)方法，挖掘各相似集或各類間潛在的稀疏性先驗(yàn)知識，構(gòu)建聚類中心約束項(xiàng)，以增強(qiáng)圖像稀疏表示，并聯(lián)合該項(xiàng)與稀疏誤差項(xiàng)，將二者引入于傳統(tǒng)的稀疏表示模型，最終實(shí)現(xiàn)圖像去噪。
【IPC分類】G06T5/00, G06K9/62
【公開號】CN105447836
【申請?zhí)枴緾N201511026701
【發(fā)明人】張建偉, 鄭鈺輝, 王順鳳, 陳允杰, 朱節(jié)中
【申請人】南京信息工程大學(xué)
【公開日】2016年3月30日
【申請日】2015年12月30日