一种双约束稀疏模型图像修复算法

合集下载

稀疏平滑特性的多正则化约束图像盲复原方法

像，这是一种严重的“ 病态问题” ［】Ｉ２］．为了能够很好地求解这类 “ 病态问题” ，正则化技术便孕育而生了．正则化技
术也就是在求解复原图像的过程中加入能够反映真实清晰图像某种内在特性的正则项，以保证得到的解具有这种特性．因此，能够真实、准确地找到反映原始清晰图像内在特性的正则项，是正则化技术成功的关键．
数的分布，提出了一种基于贝叶斯的单幅运动模糊图像盲复原方法】．２００８年，Ｓｈａｎ等人也利用这种思想提出一种更加合理的分段函数，以便更好地近似这类严重的拖尾分布，但却认为运动模糊退化函数只服从某种指数的分布【６Ｊ．文献［５，６］已被认为是运动模糊盲复原领域中极具代表性的两篇文章．这种严重的拖尾分布是基于统计
用到了模糊图像的盲复原中【．因为ＴＶ－ｎｏｒｍ存在分段常数特性，所以该方法只能较好地适用于具有明显边缘
的ＰＳＦ（比如运动模糊、理想的低通滤波器等等）．近几年的一些方法认为，大多数清晰自然图像的边缘都近似地服从一种严重的拖尾分布。而模糊图像的边
不可能得到同一场景的多幅不同的模糊图像．２０１０年，Ａｌｍｅｉｄａ等人根据自然图像边缘的稀疏性原理，对图像运用了一种基于稀疏先验分布的类ＴＶ函数
正则化约束，提出了一种适用于多种模糊情况的自然图像盲复原方法【ｌ们．该方法针对无约束的ＰＳＦ以及有约束的ＰＳＦ都能达到较好的复原效果．自然图像边缘的这种稀疏特性能够反映出几乎所有自然图像的内在特性，具有较好的普适性。但是该方法对于有约束的ＰＳＦ也只运用了一种ＴＶ－ｎｏｒｍ的正则化约束．

应用双稀疏模型和ADMM优化的图像复原

陈书贞姬社平练秋生
（燕山大学信息科学与工程学院，河北秦皇岛０６６００４）
摘
要：基于稀疏表示的图像复原算法大都只利用了图像整体稀疏性和局部稀疏性中的一种，未充分利用图像
的先验知识，基于此，本文在稀疏表示框架下，同时引入Ｃｏｓｐａｒｓｅ解析模型及平移不变小波变换两种稀疏模型，
（ＴｈｅＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｑｉｎｈｕａｎｇｄａｏ，Ｈｅｂｅｉ０６６００４，Ｃｈｉｎａ）
ｔａｔｉｏｎ，ｔｈｉｓａｒｔｉｃｌｅｐｒｏｐｏｓｅｄａｎｅｗｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎａｌｇｏｉｒｔｈｍｉｎｔｒｏｄｕｃｉｎｇｂｏｔｈｔｈｅＣｏｓｐａｓｅｒａｎｌｙａｓｉｓｍｏｄｅｌｌｅａｄｉｎｇｔｏａ
ｏｆｔｈｅｉｍａｇｅ，ｗｈｉｌｅｎｏｔｍａｋｒｏｒｋｎｏｗｌｅｄｇｅｏｆｔｈｅｉｍａｇｅ．Ｂａｓｅｄｏｎｔｈｉｓ，ｉｎｔｈｅｆｒａｍｅｗｏｒｋｏｆｓｐａｒｓｅｒｅｐｒｅｓｅｎ－
第３１卷第７期２０１５年７月

基于结构组稀疏表示的图像修复算法研究

Research on Image Inpainting Algorithm Based on Structure Group Sparse RepresentationThesis Submitted to Nanjing University of Posts andTelecommunications for the Degree ofMaster of EngineeringByWang JunSupervisor: Prof. Tang GuijinMay 2020南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。

尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。

与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。

本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。

研究生学号：___________ 研究生签名：____________ 日期：____________南京邮电大学学位论文使用授权声明本人承诺所呈交的学位论文不涉及任何国家秘密，本人及导师为本论文的涉密责任并列第一责任人。

本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索；可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。

本文电子文档的内容和纸质论文的内容相一致。

论文的公布（包括刊登）授权南京邮电大学研究生院办理。

非国家秘密类涉密学位论文在解密后适用本授权书。

研究生签名：____________ 导师签名：____________ 日期：_____________摘要图像修复即根据图像已有信息按照一定规则对破损区域做出合理猜测并进行填充，使得复原后的图像最大程度地接近原始图像或达到合理自然的视觉效果。

局部自适应学习基稀疏约束结合信息优先权选择扩散的迭代图像修复算法研究

Ｉｅａｉｅｉａｅｉｔｒｔｖｍｇｎｐａｎｔｎｇｕｓｎｇｓｒｅｃｎｔａｎｔｗｉｈｌｃｌｄａｉｅｌａｎｄｉｉｉｐａｓｏｓｒｉｔｏａａｐｔｖｅｒｅ
ｄｃｉｎａｙａｎｏｍａｉｎａｉｒｔｅｅｔｄｄｆｕｓｏｉｔｏｒｎｄｉｆｒｔｏｌｐｒｏｉｙｓｌｃｅｉｉｎ
ｏｙｔｓａｅｃｎｔｃｄｆｍｅｒｅｔｎｌｙｒｙｌｅｌｎｏｈｔｄｒｃｏｓｇｔｅｏａａａ— ｒ，ｈｌｔｒａｓｅｏｓｕｔｏｔｏｃｏｅｙｒｏｇｉｐｏｅｉｔｎｉｃｌｄｐｅｏｉｒｒｅｒｈｐｊｉａｂａａｓｅｉｕｎｈｌ
ＨｕｈｎｐｎＬｕｎ，ＸｕＣｅｇｉＬｅｅｇｉｇ，ｉＺＷｅｈｎｑａ，ｉｉｎｊ
ｆ．ｎｔｕｅｆｎｏｍｔｎＳｉｃｎｅｈｏｏｙＹｎｈｎＵｉｒｉ，ｉｈａｇａ６０４Ｃｉ１ＩｓｔｔｏｌｒａｉｃｅｅｄＴｃｎｌ，ａｓａｎｖｓｙＱｎｕｎｄｏ６０，ｈｎｉｆｏｎａｇｅｔ０ａ
２Ｉｓｔｅｆａｅｒｄｃｏｉｃｈｎｈｉｈｎｈｉ０００Ｃｉａ．ｎｔｕｓｔｐｏｕｔｎｃｎｅｎＳａｇａ，ａｇａ００，ｈｎＪｉｔｏｆｙｉｓｅｉＳ２
Ａｂｓｒｃ：Ｔｈｅｐｅｆｒｎｅｏｆｉａｅｉｐａｎｉｇｉｅｎｄｎｎｔｅｕｉｉａｉｎｏｆｌｃｌｅｇｂｒｏｄｉｆｒｔｏｔａｔｒｏｍａｃｇｎｉｔｎｓｄｐｅｅｔｏｈｔｌｚｔｏａｉｈｏｈｏｎｏｍａｉｎｍｏｎａｄｔｅｉｐｉｔｎｉｅｔｏｓｓｐｏｅｏｋｅｏｓｓｅｔｈｔｔｅｉｆｒａｉｎｆｒａｏｄｎｏｉ－ｎｈｎａｎｉｇｄｒｃｉｎｉｕｐｓｄｔｅｐｃｎｉｔｎｔｗｉｈｔｅｓｒｕｒｎｏｍｔｏｏｖｉｉｇｗｒｎｇｄｆｕｃｆｓｏＡｉｎｔｔｅｅｔｓｕｓｔｒｔｖｍａｅｉｐａｎｉｇｕｓｎｇｓａｓｏｓｒｉｔｗｉｈｌｃｌａｐｉｅｌａｎｄｕｉｎ．ｍｉｇａｈｓｗｏｉｓｅ，ｉｅａｉｅｉｇｎｉｔｎｉｐｒｅｃｎｔａｎｔｏａｄａｔｖｅｒｅｄｃｉｎｒｎｎｏｍａｉｎｌｐｏｉｙｓｌｃｅｉｆｓｏｓｐｏｓｄｉｈｓｐａｅ．Ｆｒｔｙｈｌｒｔｍｔｉｓａｉｔｏａｙａｄｉｆｒｔｏａｒｒｔｅｅｔｄｄｆｕｉｎｉｒｐｏｅｎｔｉｐｒｉｓｌ，ｔｅａｇｏｈｏｂａｎｉｉｇｏｐｏｏａｄｐｔｅｓａｓａｅｙｔａｎｉｇａｓｔｏａｌｓｓｌｃｅｒｍｈｅｇｈｏｈｏｆｔｅｌｓｅ．ｒｕｆｌｃｌａａｉｐｅｂｓｓｂｒｉｎｅｆｓｍｐｅｅｅｔｄｆｏｔｅｎｉｂｒｏｄｏｈｏｔａａｖｒｒＳｅｏｄｌ，ｉｒｃｃｌｍｏｌｉｄｏｔｄｉｈｔｐｏｆｉｇｎａｎｉ．ｃｒｉｏｓａｓｅｏｓｒｃｉｎｔｅｃｎｙａｈｅａｈｉａｄｅｓａｐｅｎｔｅｓｅｍａｅｉｐｉｔｒｎｇＡｃｏｄｎｇｔｐｅｒｃｎｔｕｔｏｈ — ｒ

基于双字典和稀疏表示的医学图像超分辨率重建

基于双字典和稀疏表示的医学图像超分辨率重建席志红;曾继琴;李爽【摘要】在医学影像图像处理过程中,由于成像技术和成像时间的限制,还无法获取满足诊断需求的清晰图像,这使得在现有技术和极短时间内所获取的医学病理图像需要进行超分辨率的重建处理;基于学习的图像超分辨率思想是从已建立的先验模型中重建出高频细节;在文章中,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率重建算法,由主要字典学习和冗余字典学习组成,分别渐近地恢复出主要高频细节和冗余高频细节;实验结果的数据分析和视觉效果显示,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高.%Medical diagnosis needs a lot of medical image processing,due to the limitations of imaging technology and imaging time,the medical diagnosis is not able to get the clear image,which is necessary to reconstruct the medical image that have been acquired in the existing technology and considerably short time with super-resolution methods.Example-Based image super-resolution is to reconstruct the high -frequency (HF) details of the image from the prior model.HF will be estimated is considered as a combination of two components:main high-frequency (MHF) and residual high-frequency (RHF),this paper proposed a medical image super-resolution using dual-dictionary learning and sparse representation,which makes of the main dictionary and the residual dictionary learning recovering the MHF and RHF,respectively.Experimental results on test image show that by performing the proposed two-layer progressive method,more imagedetails can be recovered and much better results can be achieved than that of existing methods.【期刊名称】《计算机测量与控制》【年(卷),期】2017(025)003【总页数】4页(P197-200)【关键词】医学图像;超分辨率;稀疏表示;字典学习【作者】席志红;曾继琴;李爽【作者单位】哈尔滨工程大学信息与通信工程系,哈尔滨 150001;哈尔滨工程大学信息与通信工程系,哈尔滨 150001;哈尔滨工程大学信息与通信工程系,哈尔滨150001【正文语种】中文【中图分类】TP3高分辨图像对当今的科学研究和生活都有很大意义，例如: 遥感影像、医疗成像、视频监控等。

数字图像修复的DI灢StyleGANv2模型

第38卷第6期2023年12月安徽工程大学学报J o u r n a l o fA n h u i P o l y t e c h n i cU n i v e r s i t y V o l .38N o .6D e c .2023文章编号:1672-2477(2023)06-0084-08收稿日期:2022-12-16基金项目:安徽省高校自然科学基金资助项目(K J 2020A 0367)作者简介:王坤(1999-),男,安徽池州人,硕士研究生㊂通信作者:张玥(1972-),女,安徽芜湖人,教授,博士㊂数字图像修复的D I -S t yl e G A N v 2模型王坤,张玥*(安徽工程大学数理与金融学院,安徽芜湖 241000)摘要:当数字图像存在大面积缺失或者缺失部分纹理结构时,传统图像增强技术无法从图像有限的信息中还原出更多所需的信息,增强性能有限㊂为此,本文提出了一种将解码信息与S t y l e G A N v 2相融合的深度学习图像修复方法 D I -S t y l e G A N v 2㊂首先由U -n e t 模块生成包含图像主信息的隐编码以及次信息的解码信号,随后利用S t y l e G A N v 2模块引入图像生成先验,在图像生成的过程中不但使用隐编码主信息,并且整合了包含图像次信息的解码信号,从而实现了修复结果的语义增强㊂在F F HQ 和C e l e b A 数据库上的实验结果验证了所提方法的有效性㊂关键词:图像修复;解码信号;生成对抗神经网络;U -n e t ;S t y l e G A N v 2中图分类号:O 29 文献标志码:A 数字图像是现代图像信号最常用的格式,但往往在采集㊁传输㊁储存等过程中,由于噪声干扰㊁有损压缩等因素的影响而发生退化㊂数字图像修复是利用已退化图像中存在的信息重建高质量图像的过程,可以应用于生物医学影像高清化㊁史物影像资料修复㊁军事科学等领域㊂研究数字图像修复模型具有重要的现实意义和商业价值㊂传统的数字图像修复技术多依据图像像素间的相关性和内容相似性进行推测修复㊂在纹理合成方向上,C r i m i n i s i 等[1]提出一种基于图像块复制粘贴的修补方法,该方法采用基于图像块的采样对缺失部分的纹理结构进行信息的填充㊂在结构相似性度研究上,T e l e a [2]提出基于插值的F MM 算法(F a s tM a r c -h i n g M e t h o d );B e r t a l m i o 等[3]提出基于N a v i e r -S t o k e s 方程和流体力学的图像视频修复模型(N a v i e r -S t o k e s ,F l u i dD y n a m i c s ,a n d I m a g e a n dV i d e o I n p a i n t i n g )㊂这些方法缺乏对图像内容和结构的理解,一旦现实中待修复图像的纹理信息受限,修复结果就容易产生上下文内容缺失语义;同时它们需要手动制作同高㊁宽的显示待修复区域的掩码图像来帮助生成结果㊂近年来,由于深度学习领域的快速发展,基于卷积神经网络的图像修复方法得到了广泛的应用㊂Y u等[4]利用空间变换网络从低质量人脸图像中恢复具有逼真纹理的高质量图像㊂除此之外,三维面部先验[5]和自适应空间特征融合增强[6]等修复算法也很优秀㊂这些方法在人工退化的图像集上表现得很好,但是在处理实际中的复杂退化图像时,修复效果依旧有待提升;而类似P i x 2P i x [7]和P i x 2P i x H D [8]这些修复方法又容易使得图像过于平滑而失去细节㊂生成对抗网络[9](G e n e r a t i v eA d v e r s a r i a lN e t w o r k s ,G A N )最早应用于图像生成中,U -n e t 则用于编码解码㊂本文提出的D I -S t y l e G A N v 2模型充分利用S t y l e G A N v 2[10]和U -n e t [11]的优势,通过S t y l e -G A N v 2引入高质量图像生成图像先验,U -n e t 生成修复图像的指导信息㊂在将包含深度特征的隐编码注入预训练的S t y l e G A N v 2中的同时,又融入蕴含图像局部细节的解码信号,得以从严重退化的图像中重建上下文语义丰富且真实的图像㊂1 理论基础1.1 U -n e t U -n e t 是一种A u t o -E n c o d e r ,该结构由一个捕获图像上下文语义的编码路径和能够实现图像重建的对称解码路径组成㊂其前半部分收缩路径为降采样,后半部分扩展路径为升采样,分别对应编码和解码,用于捕获和恢复空间信息㊂编码结构包括重复应用卷积㊁激活函数和用于下采样的最大池化操作㊂在整个下采样的过程中,伴随着特征图尺度的降低,特征通道的数量会增加,扩展路径的解码过程同理,同时扩展路径与收缩路径中相应特征图相连㊂1.2 生成对抗网络生成对抗网络框架由生成器G 和判别器D 这两个模块构成,生成器G 利用捕获的数据分布信息生成图像,判别器D 的输入是数据集的图像或者生成器G 生成的图像,判别器D 的输出刻画了输入图像来自真实数据的可能性㊂为了让生成器G 学习到数据x 的分布p g ,先定义了一个关于输入的噪声变量z ,z 到数据空间的映射表示为G (z ;θg ),其中G 是一个由参数为θg 的神经网络构造的可微函数㊂同时定义了第2个神经网络D (x ;θd ),其输出单个标量D (x )来表示x 来自于数据而不是P g 的概率㊂本训练判别器最大限度地区分真实样本和生成样本,同时训练生成器去最小化l o g(1-D (G (z ))),相互博弈的过程由以下公式定义:m i n G m a x D V (D ,G )=E x ~P d a t a (x )[l o g (D (x ))]+E z ~P z (z )[l o g (1-D (G (z )))],(1)通过生成器㊁判别器的相互对抗与博弈,整个网络最终到达纳什平衡状态㊂这时生成器G 被认为已经学习到了真实数据的内在分布,由生成器合成的生成图像已经能够呈现出与真实数据基本相同的特征,在视觉上难以分辨㊂1.3 S t y l e G A N v 2选用高分辨率图像生成方法S t y l e G A N v 2[10]作为嵌入D I -S t y l e G A N v 2的先验网络,S t yl e G A N v 2[10]主要分为两部分,一部分是映射网络(M a p p i n g N e t w o r k ),如图1a 所示,其中映射网络f 通过8个全连接层对接收的隐编码Z 进行空间映射处理,转换为中间隐编码W ㊂特征空间中不同的子空间信息对应着数据的不同类别信息或整体风格,因为其相互关联存在较高的耦合性,且存在特征纠缠的现象,所以利用映射网络f 使得隐空间得到有效的解耦,最后生成不必遵循训练数据分布的中间隐编码㊂另一部分被称为合成网络,如图1b 所示㊂合成网络由卷积和上采样层构成,其根据映射网络产生的隐编码来生成所需图像㊂合成网络用全连接层将中间隐编码W 转换成风格参数A 来影响不同尺度生成图像的骨干特征,用噪声来影响细节部分使生成的图片纹理更自然㊂S t y l e G A N v 2[10]相较于旧版本重新设计生成器的架构,使用了权重解调(W e i g h tD e m o d u t i o n )更直接地从卷积的输出特征图的统计数据中消除特征图尺度的影响,修复了产生特征伪影的缺点并进一步提高了结果质量㊂图1 S t yl e G A N v 2基本结构根据传入的风格参数,权重调制通过调整卷积权重的尺度替代性地实现对输入特征图的调整㊂w 'i j k =s i ㊃w i jk ,(2)式中,w 和w '分别为原始权重和调制后的权重;s i 为对应第i 层输入特征图对应的尺度㊂接着S t y l e -㊃58㊃第6期王坤,等:数字图像修复的D I -S t y l e G A N v 2模型G A N v 2通过缩放权重而非特征图,从而在卷积的输出特征图的统计数据中消除s i 的影响,经过调制和卷积后,权值的标准偏差为:σj =∑i ,k w 'i j k 2,(3)权重解调即权重按相应权重的L 2范式进行缩放,S t y l e G A N v 2使用1/σj 对卷积权重进行操作,其中η是一个很小的常数以避免分母数值为0:w ″i j k =w 'i j k /∑i ,k w 'i j k 2+η㊂(4)解调操作融合了S t y l e G A N 一代中的调制㊁卷积㊁归一化,并且相比一代的操作更加温和,因为其是调制权重信号,而并非特征图中的实际内容㊂2 D I -S t yl e G A N v 2模型D I -S t y l e G A N v 2模型结构如图2所示:其主要部分由一个解码提取模块U -n e t 以及预先训练过的S t y l e G A N v 2组成,其中S t y l e G A N v 2包括了合成网络部分(S y n t h e s i sN e t w o r k )和判别器部分㊂待修复的输入图像在被输入到整个D I -S t yl e G A N v 2网络之前,需要被双线性插值器调整大小到固定的分辨率1024×1024㊂接着输入图像通过图2中左侧的U -n e t 生成隐编码Z 和解码信号(D e c o d i n g I n f o r m a t i o n ,D I )㊂由图2所示,隐编码Z 经过多个全连接层构成的M a p p i n g Ne t w o r k s 解耦后转化为中间隐编码W ㊂中间隐编码W 通过仿射变换产生的风格参数作为风格主信息,已经在F F H Q 数据集上训练过的S t yl e G A N v 2模块中的合成网络在风格主信息的指导下恢复图像㊂合成网络中的S t y l e G A N B l o c k 结构在图2下方显示,其中包含的M o d 和D e m o d 操作由式(2)和式(4)给出㊂同时U -n e t 解码层每一层的解码信息作为风格次信息以张量拼接的方式加入S t y l e G A NB l o c k 中的特征图,更好地让D I -S t y le G A N v 2模型生成细节㊂最后将合成网络生成的图片汇入到判别器中,由判别器判断是真实图像还是生成图像㊂图2 数字图像修复网络结构图模型鉴别器综合了3个损失函数作为总损失函数:对抗损失L A ㊁内容损失L C 和特征匹配损失L F ㊂其中,L A 为原始G A N 网络中的对抗损失,被定义为式(5),X 和^X 表示真实的高清图像和低质量的待修复图像,G 为训练期间的生成器,D 为判别器㊂L A =m i n G m a x D E (X )L o g (1+e x p (-D (G (X ^)))),(5)L C 定义为最终生成的修复图片与相应的真实图像之间的L 1范数距离;L F 为判别器中的特征层,其定义为式(6);T 为特征提取的中间层总数;D i (X )为判别器D 的第i 层提取的特征:㊃68㊃安徽工程大学学报第38卷L F =m i n G E (X )(∑T i =0||D i (X )-D i (G (X ^))||2),(6)最终的总损失函数为:L =L A +αL C +βL F ,(7)式(7)中内容损失L C 判断修复结果和真实高清图像之间的精细特征与颜色信息上差异的大小;通过判别器中间特征层得到的特征匹配损失L F 可以平衡对抗损失L A ,更好地恢复㊁还原高清的数字图像㊂α和β作为平衡参数,在本文的实验中根据经验设置为α=1和β=0.02㊂3实验结果分析图3 F F HQ 数据集示例图3.1 数据集选择及数据预处理从图像数据集的多样性和分辨率考虑,本文选择在F F H Q (F l i c k rF a c e s H i g h Q u a l i t y )数据集上训练数字图像修复模型㊂该数据集包含7万张分辨率为1024×1024的P N G 格式高清图像㊂F F H Q 囊括了非常多的差异化的图像,包括不同种族㊁性别㊁表情㊁脸型㊁背景的图像㊂这些丰富属性经过训练可以为模型提供大量的先验信息,图3展示了从F F H Q 中选取的31张照片㊂训练过程中的模拟退化过程,即模型生成数据集对应的低质量图像这部分,本文主要通过以下方法实现:通过C V 库对图像随机地进行水平翻转㊁颜色抖动(包括对图像的曝光度㊁饱和度㊁色调进行随机变化)以及转灰度图等操作,并对图像采用混合高斯模糊,包括各向同性高斯核和各向异性高斯核㊂在模糊核设计方面,本文采用41×41大小的核㊂对于各向异性高斯核,旋转角度在[-π,π]之间均匀采样,同时进行下采样和混入高斯噪声㊁失真压缩等处理㊂整体模拟退化处理效果如图4所示㊂图4 模拟退化处理在模型回测中,使用C e l e b A 数据集来生成低质量的图像进行修复并对比原图,同时定量比较本模型与近年来提出的其他方法对于数字图像的修复效果㊂3.2 评估指标为了公平地量化不同算法视觉质量上的优劣,选取图像质量评估方法中最广泛使用的峰值信噪比(P e a kS i g n a l -t o -n o i s eR a t i o ,P S N R )以及结构相似性指数(S t r u c t u r a l S i m i l a r i t y I n d e x ,S S I M )指标,去量化修复后图像和真实图像之间的相似性㊂P S N R 为信号的最大可能功率和影响其精度的破坏性噪声功率的比值,数值越大表示失真越小㊂P S N R 基于逐像素的均方误差来定义㊂设I 为高质量的参考图像;I '为复原后的图像,其尺寸均为m ×n ,那么两者的均方误差为:M S E =1m n ∑m i =1∑n j =1(I [i ,j ]-I '[i ,j ])2,(8)P S N R 被定义为公式(9),P e a k 表示图像像素强度最大的取值㊂㊃78㊃第6期王坤,等:数字图像修复的D I -S t yl e G A N v 2模型P S N R =10×l o g 10(P e a k 2M S E )=20×l o g 10(P e a k M S E ),(9)S S I M 是另一个被广泛使用的图像相似度评价指标㊂与P S N R 评价逐像素的图像之间的差异,S S I M 仿照人类视觉系统实现了其判别标准㊂在图像质量的衡量上更侧重于图像的结构信息,更贴近人类对于图像质量的判断㊂S S I M 用均值估计亮度相似程度,方差估计对比度相似程度,协方差估计结构相似程度㊂其范围为0~1,越大代表图像越相似;当两张图片完全一样时,S S I M 值为1㊂给定两个图像信号x 和y ,S S I M 被定义为:S S I M (x ,y )=[l (x ,y )α][c (x ,y )]β[s (x ,y )]γ,(10)式(10)中的亮度对比l (x ,y )㊁对比度对比c (x ,y )㊁结构对比s (x ,y )三部分定义为:l (x ,y )=2μx μy +C 1μ2x +μ2y +C 1,c (x ,y )=2σx σy +C 2σ2x +σ2y +C 2,l (x ,y )=σx y +C 3σx σy +C 3,(11)其中,α>0㊁β>0㊁γ>0用于调整亮度㊁对比度和结构之间的相对重要性;μx 及μy ㊁σx 及σy 分别表示x 和y 的平均值和标准差;σx y 为x 和y 的协方差;C 1㊁C 2㊁C 3是常数,用于维持结果的稳定㊂实际使用时,为简化起见,定义参数为α=β=γ=1以及C 3=C 2/2,得到:S S I M (x ,y )=(2μx μy +C 1)(2σx y +C 2)(μ2x +μ2y +C 1)(σ2x +σ2y +C 2)㊂(12)在实际计算两幅图像的结构相似度指数时,我们会指定一些局部化的窗口,计算窗口内信号的结构相似度指数㊂然后每次以像素为单位移动窗口,直到计算出整幅的图像每个位置的局部S S I M 再取均值㊂3.3 实验结果(1)D I -S t y l e G A N v 2修复结果㊂图5展示了D I -S t yl e G A N v 2模型在退化图像上的修复结果,其中图5b ㊁5d 分别为图5a ㊁5c 的修复结果㊂通过对比可以看到,D I -S t y l e G A N v 2修复过的图像真实且还原,图5b ㊁5d 中图像的头发㊁眉毛㊁眼睛㊁牙齿的细节清晰可见,甚至图像背景也被部分地修复,被修复后的图像通过人眼感知,整体质量优异㊂图5 修复结果展示(2)与其他方法的比较㊂本文用C e l e b A -H Q 数据集合成了一组低质量图像,在这些模拟退化图像上将本文的数字图像修复模型与G P E N [12]㊁P S F R G A N [13]㊁H i F a c e G A N [14]这些最新的深度学习修复算法的修复效果进行比较评估,这些最近的修复算法在实验过程中使用了原作者训练过的模型结构和预训练参数㊂各个模型P S N R 和L P I P S 的测试结果如表1所示,P S N R 和S S I M 的值越大,表明修复图像和真实高清图像之间的相似度越高,修复效果越好㊂由表1可以看出,我们的数字图像修复模型获得了与其他顶尖修复算法相当的P S N R 指数,L P I P S 指数相对于H i F a c e G A N 提升了12.47%,同时本实验环境下修复512×512像素单张图像耗时平均为1.12s ㊂表1 本文算法与相关算法的修复效果比较M e t h o d P S N R S S I M G P E N 20.40.6291P S F R G A N 21.60.6557H i F a c e G A N 21.30.5495o u r 20.70.6180值得注意的是P S N R 和S S I M 大小都只能作为参考,不能绝对反映数字图像修复算法的优劣㊂图6展示了D I -S t y l e G A N v 2㊁G P E N ㊁P S F R G A N ㊁H i F a c e G A N 的修复结果㊂由图6可以看出,无论是全局一致性还是局部细节,D I -S t y l e G A N v 2都做到了很好得还原,相比于其他算法毫不逊色㊂在除人脸以外的其他自然场景的修复上,D I -S t yl e G A N v 2算法依旧表现良好㊂图7中左侧为修复前㊃88㊃安徽工程大学学报第38卷图像,右侧为修复后图像㊂从图7中红框处标记出来的细节可以看出,右侧修复后图像的噪声相比左图明显减少,观感更佳,这在图7下方放大后的细节比对中表现得尤为明显㊂从图像中招牌的字体区域可见对比度和锐化程度的提升使得图像内部图形边缘更加明显,整体更加清晰㊂路面的洁净度上噪声也去除很多,更为洁净㊂整体上修复后图像的色彩比原始的退化图像要更丰富,层次感更强,视觉感受更佳㊂图6 修复效果对比图图7 自然场景图像修复结果展示(左:待修复图像;右:修复后图像)4 结论基于深度学习的图像修复技术近年来在超分辨图像㊁医学影像等领域得到广泛的关注和应用㊂本文针对传统修复技术处理大面积缺失或者缺失部分纹理结构的图像时容易产生修复结果缺失图像语义的问题,在国内外图像修复技术理论与方法的基础上,由卷积神经网络U -n e t 结合近几年效果极佳的生成对抗网络S t yl e G A N v 2,提出了以图像解码信息㊁隐编码㊁图像生成先验这三类信息指导深度神经网络对图像进行修复㊂通过在F F H Q 数据集上进行随机图像退化模拟来训练D I -S t y l e G A N v 2网络模型,并由P S N R 和S S I M 两个指标来度量修复样本和高清样本之间的相似性㊂㊃98㊃第6期王坤,等:数字图像修复的D I -S t y l e G A N v 2模型㊃09㊃安徽工程大学学报第38卷实验表明,D I-S t y l e G A N v2网络模型能够恢复清晰的面部细节,修复结果具有良好的全局一致性和局部精细纹理㊂其对比现有技术具有一定优势,同时仅需提供待修复图像而无需缺失部分掩码就能得到令人满意的修复结果㊂这主要得益于D I-S t y l e G A N v2模型能够通过大样本数据的训练学习到了丰富的图像生成先验,并由待修复图像生成的隐编码和解码信号指导神经网络学习到更多的图像结构和纹理信息㊂参考文献:[1] A N T O N I O C,P A T R I C KP,K E N T A R O T.R e g i o n f i l l i n g a n do b j e c t r e m o v a l b y e x e m p l a r-b a s e d i m a g e i n p a i n t i n g[J].I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g:A P u b l i c a t i o no f t h eI E E E S i g n a lP r o c e s s i n g S o c i e t y,2004,13(9):1200-1212.[2] T E L E A A.A n i m a g e i n p a i n t i n g t e c h n i q u eb a s e do nt h e f a s tm a r c h i n g m e t h o d[J].J o u r n a l o fG r a p h i c sT o o l s,2004,9(1):23-34.[3] B E R T A L M I O M,B E R T O Z Z IA L,S A P I R O G.N a v i e r-s t o k e s,f l u i dd y n a m i c s,a n d i m a g ea n dv i d e o i n p a i n t i n g[C]//I E E EC o m p u t e r S o c i e t y C o n f e r e n c e o nC o m p u t e rV i s i o n&P a t t e r nR e c o g n i t i o n.K a u a i:I E E EC o m p u t e r S o c i e t y,2001:990497.[4] Y U X,P O R I K L I F.H a l l u c i n a t i n g v e r y l o w-r e s o l u t i o nu n a l i g n e d a n dn o i s y f a c e i m a g e s b y t r a n s f o r m a t i v e d i s c r i m i n a t i v ea u t o e n c o d e r s[C]//I nC V P R.H o n o l u l u:I E E EC o m p u t e r S o c i e t y,2017:3760-3768.[5] HU XB,R E N W Q,L AMA S T E RJ,e t a l.F a c e s u p e r-r e s o l u t i o n g u i d e db y3d f a c i a l p r i o r s.[C]//C o m p u t e rV i s i o n–E C C V2020:16t hE u r o p e a nC o n f e r e n c e.G l a s g o w:S p r i n g e r I n t e r n a t i o n a l P u b l i s h i n g,2020:763-780.[6] L IX M,L IW Y,R E ND W,e t a l.E n h a n c e d b l i n d f a c e r e s t o r a t i o nw i t hm u l t i-e x e m p l a r i m a g e s a n d a d a p t i v e s p a t i a l f e a-t u r e f u s i o n[C]//P r o c e e d i n g so f t h eI E E E/C V F C o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i t i o n.V i r t u a l:I E E EC o m p u t e r S o c i e t y,2020:2706-2715.[7] I S O L A P,Z HUJY,Z HO U T H,e t a l.I m a g e-t o-i m a g e t r a n s l a t i o nw i t hc o n d i t i o n a l a d v e r s a r i a l n e t w o r k s[C]//P r o-c e ed i n g s o f t h eI E E E C o n fe r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i t i o n.H o n o l u l u:I E E E C o m p u t e rS o c i e t y,2017:1125-1134.[8] WA N G TC,L I U M Y,Z HUJY,e t a l.H i g h-r e s o l u t i o n i m a g es y n t h e s i sa n ds e m a n t i cm a n i p u l a t i o nw i t hc o n d i t i o n a lg a n s[C]//P r o c e e d i n g so f t h eI E E E C o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i t i o n.S a l tL a k eC i t y:I E E EC o m p u t e r S o c i e t y,2018:8798-8807.[9] G O O D F E L L OWI A N,P O U G E T-A B A D I EJ,M I R Z A M,e t a l.G e n e r a t i v ea d v e r s a r i a ln e t s[C]//A d v a n c e s i n N e u r a lI n f o r m a t i o nP r o c e s s i n g S y s t e m s.M o n t r e a l:M o r g a nK a u f m a n n,2014:2672-2680.[10]K A R R A ST,L A I N ES,A I T T A L A M,e t a l.A n a l y z i n g a n d i m p r o v i n g t h e i m a g e q u a l i t y o f s t y l e g a n[C]//P r o c e e d i n g so f t h e I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n.S n o w m a s sV i l l a g e:I E E EC o m p u t e r S o c i e-t y,2020:8110-8119.[11]O L A FR O N N E B E R G E R,P H I L I P PF I S C H E R,T HOMA SB R O X.U-n e t:c o n v o l u t i o n a l n e t w o r k s f o r b i o m e d i c a l i m a g es e g m e n t a t i o n[C]//M e d i c a l I m a g eC o m p u t i n g a n dC o m p u t e r-A s s i s t e dI n t e r v e n t i o n-M I C C A I2015:18t hI n t e r n a t i o n a lC o n f e r e n c e.M u n i c h:S p r i n g e r I n t e r n a t i o n a l P u b l i s h i n g,2015:234-241.[12]Y A N G T,R E NP,X I EX,e t a l.G a n p r i o r e m b e d d e dn e t w o r k f o r b l i n d f a c e r e s t o r a t i o n i n t h ew i l d[C]//P r o c e e d i n g s o ft h eI E E E/C V F C o n f e r e n c eo n C o m p u t e r V i s i o na n d P a t t e r n R e c o g n i t i o n.V i r t u a l:I E E E C o m p u t e rS o c i e t y,2021: 672-681.[13]C H E NCF,L IX M,Y A N GLB,e t a l.P r o g r e s s i v e s e m a n t i c-a w a r e s t y l e t r a n s f o r m a t i o n f o r b l i n d f a c e r e s t o r a t i o n[C]//P r o c e e d i n g s o f t h e I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n.V i r t u a l:I E E EC o m p u t e r S o c i-e t y,2021:11896-11905.[14]Y A N GLB,L I U C,WA N GP,e t a l.H i f a c e g a n:f a c e r e n o v a t i o nv i a c o l l a b o r a t i v e s u p p r e s s i o na n dr e p l e n i s h m e n t[C]//P r o c e e d i n g s o f t h e28t hA C MI n t e r n a t i o n a l C o n f e r e n c e o n M u l t i m e d i a.S e a t t l e:A s s o c i a t i o n f o rC o m p u t i n g M a c h i n e r y, 2020:1551-1560.D I -S t y l e G A N v 2M o d e l f o rD i g i t a l I m a geR e s t o r a t i o n WA N G K u n ,Z H A N G Y u e*(S c h o o l o fM a t h e m a t i c s a n dF i n a n c e ,A n h u i P o l y t e c h n i cU n i v e r s i t y ,W u h u241000,C h i n a )A b s t r a c t :W h e n t h e r e a r e l a r g e a r e a s o fm i s s i n g o r c o m p l e x t e x t u r e s t r u c t u r e s i n d i g i t a l i m a g e s ,t r a d i t i o n -a l i m a g e e n h a n c e m e n t t e c h n i q u e s c a n n o t r e s t o r em o r e r e q u i r e d i n f o r m a t i o n f r o mt h e l i m i t e d i n f o r m a t i o n i n t h e i m a g e ,r e s u l t i n g i n l i m i t e d e n h a n c e m e n t p e r f o r m a n c e .T h e r e f o r e ,t h i s p a p e r p r o p o s e s a d e e p l e a r n -i n g i n p a i n t i n g m e t h o d ,D I -S t y l e G A N v 2,w h i c hc o m b i n e sd e c o d i n g i n f o r m a t i o n (D I )w i t hS t y l e G A N v 2.F i r s t l y ,t h eU -n e tm o d u l e g e n e r a t e s ah i d d e n e n c o d i n g s i g n a l c o n t a i n i n g t h em a i n i n f o r m a t i o no f t h e i m -a g e a n d a d e c o d i n g s i g n a l c o n t a i n i n g t h e s e c o n d a r y i n f o r m a t i o n .T h e n ,t h e S t y l e G A N v 2m o d u l e i s u s e d t o i n t r o d u c e a n i m a g e g e n e r a t i o n p r i o r .D u r i n g t h e i m a g e g e n e r a t i o n p r o c e s s ,n o t o n l y t h eh i d d e ne n c o d i n gm a i n i n f o r m a t i o n i s u s e d ,b u t a l s o t h e d e c o d i n g s i g n a l c o n t a i n i n g t h e s e c o n d a r y i n f o r m a t i o no f t h e i m a g e i s i n t e g r a t e d ,t h e r e b y a c h i e v i n g s e m a n t i c e n h a n c e m e n t o f t h e r e p a i r r e s u l t s .T h e e x pe r i m e n t a l r e s u l t s o n F F H Qa n dC e l e b Ad a t a b a s e s v a l i d a t e t h e ef f e c t i v e n e s s o f t h e p r o p o s e da p p r o c h .K e y w o r d s :i m ag e r e s t o r a t i o n ;d e c o d e s i g n a l ;g e n e r a t i v e a d v e r s a r i a l n e t w o r k ;U -n e t ;S t y l e G A N v 2(上接第83页)P r o g r e s s i v e I n t e r p o l a t i o nL o o p S u b d i v i s i o n M e t h o d w i t hD u a lA d ju s t a b l eF a c t o r s S H IM i n g z h u ,L I U H u a y o n g*(S c h o o l o fM a t h e m a t i c s a n dP h y s i c s ,A n h u i J i a n z h uU n i v e r s i t y ,H e f e i 230601,C h i n a )A b s t r a c t :A i m i n g a t t h e p r o b l e mt h a t t h e l i m i ts u r f a c e p r o d u c e db y t h ea p p r o x i m a t eL o o p s u b d i v i s i o n m e t h o d t e n d s t o s a g a n d s h r i n k ,a p r o g r e s s i v e i n t e r p o l a t i o nL o o p s u b d i v i s i o nm e t h o dw i t hd u a l a d j u s t a -b l e f a c t o r s i s p r o p o s e d .T h i sm e t h o d i n t r o d u c e s d i f f e r e n t a d j u s t a b l e f a c t o r s i n t h e t w o -p h a s eL o o p s u b d i -v i s i o nm e t h o d a n d t h e p r o g r e s s i v e i t e r a t i o n p r o c e s s ,s o t h a t t h e g e n e r a t e d l i m i t s u r f a c e i s i n t e r p o l a t e d t o a l l t h e v e r t i c e s o f t h e i n i t i a l c o n t r o lm e s h .M e a n w h i l e ,i t h a s a s t r i n g e n c y ,l o c a l i t y a n d g l o b a l i t y .I t c a nn o t o n l y f l e x i b l y c o n t r o l t h e s h a p e o f l i m i t s u r f a c e ,b u t a l s o e x p a n d t h e c o n t r o l l a b l e r a n g e o f s h a p e t o a c e r -t a i ne x t e n t .F r o mt h e n u m e r i c a l e x p e r i m e n t s ,i t c a nb e s e e n t h a t t h em e t h o d c a n r e t a i n t h e c h a r a c t e r i s t i c s o f t h e i n i t i a l t r i a n g u l a rm e s hb e t t e rb y c h a n g i n g t h ev a l u eo f d u a l a d j u s t a b l e f a c t o r s ,a n d t h e g e n e r a t e d l i m i t s u r f a c eh a s a s m a l l d e g r e e o f s h r i n k a g e ,w h i c h p r o v e s t h em e t h o d t ob e f e a s i b l e a n d e f f e c t i v e .K e y w o r d s :L o o p s u b d i v i s i o n ;p r o g r e s s i v e i n t e r p o l a t i o n ;d u a l a d j u s t a b l e f a c t o r s ;a s t r i n g e n c y ㊃19㊃第6期王坤,等:数字图像修复的D I -S t y l e G A N v 2模型。

运动模糊退化图像的双字典稀疏复原

运动模糊退化图像的双字典稀疏复原冯亮;王平;许廷发;石明珠;赵峰【期刊名称】《光学精密工程》【年(卷),期】2011(019)008【摘要】为了消除图像中的运动模糊,提出了一种稀疏理论框架下的双字典稀疏复原方法,并分析了冗余字典的选取和迭代算法的实现.首先,建立了稀疏变换下的退化和复原模型,用Haar系数冗余字典将图像稀疏化,并用PCD阈值迭代算法对模糊图像进行收敛,得到复原图像.由于在有效去除复原图像的模糊的同时噪声在迭代过程中被放大并叠加在图像上,故从清晰图像库中训练了一个冗余字典进行第二次稀疏收敛来去除去模糊中被加权的噪声.实验结果表明,本文的方法对模糊退化图像有很好的复原效果,不仅有效地去除了运动模糊和噪声,并能在一定程度上保留边缘细节.最后拓展了两层稀疏优化模型,为以后在稀疏框架下的图像复原提供了新的思路.【总页数】8页(P1982-1989)【作者】冯亮;王平;许廷发;石明珠;赵峰【作者单位】北京理工大学光电学院,北京100081;北京理工大学光电成像技术与系统教育部重点实验室,北京100081;北京理工大学光电学院,北京100081;北京理工大学光电学院,北京100081;北京理工大学光电成像技术与系统教育部重点实验室,北京100081;北京理工大学光电学院,北京100081;北京理工大学光电成像技术与系统教育部重点实验室,北京100081;桂林电子科技大学,广西桂林541004【正文语种】中文【中图分类】TP391.4【相关文献】1.实拍运动模糊图像的退化参数估计与复原 [J], 郭红伟;付波;田益民;李娟2.基于稀疏正则化和渐近边界假设的运动模糊图像盲复原 [J], 龚平;贺杰;刘娜;卢振坤3.基于L0稀疏先验的运动模糊标签图像盲复原 [J], 柳宁;赵焕明;李德平;王高4.基于强边缘和稀疏约束的运动模糊图像盲复原 [J], 鱼轮;李晖晖5.基于低秩矩阵与稀疏约束的运动模糊图像盲复原 [J], 鱼轮;韩美林因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于稀疏表示的图像修复算法研究本科毕业论文

本科生毕业论文一种基于稀疏表示的图像修复算法研究院系：信息工程学院专业：通信工程班级： 102学号： 010705202职称（或学位）：博士2014年4月原创性声明本人郑重声明：所呈交的论文（设计），是本人在导师的指导下，独立进行研究工作所取得的成果。

除文中已经注明引用的内容外，本论文（设计）不含任何其他个人或集体已经发表或撰写过的作品成果。

对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。

本人完全意识到本声明的法律结果由本人承担。

学生签名：年月日指导声明本人指导的同学的毕业论文（设计）题目大小、难度适当，且符合该同学所学专业的培养目标的要求。

本人在指导过程中，通过网上文献搜索及文献比对等方式，对其毕业论文（设计）内容进行了检查，未发现抄袭现象，特此声明。

指导教师签名：年月日目录1引言 (2)2 图像修复的一般方法 (2)2.1 基于偏微分方程的方法 (2)2.2 基于纹理的方法 (2)2.3 基于混合的方法 (3)2.4 基于稀疏表示的方法 (3)3 图像信号的稀疏表示理论 (3)3.1 稀疏编码................................................... 错误！未定义书签。

3.2 字典的更新 (5)4 结论 (6)5 结束语 (7)致谢 (8)参考文献 (8)附录 (9)一种基于稀疏表示的图像修复算法研究摘要：图像具有直观地表达物体信息的功能，是人们获得信息的重要媒介，当图像受到破损时，图像本身的部分信息就会丢失，因此就需要一项技术对破损的区域进行修补，使其丢失的信息得到大部分的还原，这项技术就是图像修复。

本文主要研究图像信号的稀疏表示方法，求解稀疏系数的匹配追踪算法，对字典原子进行更新的奇异值分解算法，通过对字典每一列原子的更新和对稀疏系数矩阵每一行的更新，减小了图像修复过程中产生的误差。

关键词：图像修复；字典；稀疏表示；匹配追踪；奇异值分解Study of an Image Inpainting Algorithm Based on Sparse Representation Chen Jianghui(College of Information Engineering , Advisor: Chen Shuqing)Abstract: Image has the function of expressing the nformation of objects visually, which is an important medium of gainning information, when the image is damaged, a part of the information is lost, so they need a technology to repair the damaged areas, make the loss information is probably restored, the technology is called image inpainting. This paper mainly studies the sparse representation method of signal, the algorithm for solving sparse coefficient called matching pursuit algorithm and the singular value decomposition algorithm to update the atoms of dictionary , through the atomic learning dictionary each column and each line of sparse matrix is updated, which reduces the error occurring in the process of the image inpainting.Keywords: image inpainting; dictionary; sparse representation; matching1引言图像是人们获取信息的一种重要渠道，利用静态灰度图像验证算法的可行性和有效性，可以减小图像处理过程中的复杂度。

本科毕业设计---基于稀疏表达的图像恢复算法研究

摘要摘要图像去噪即从一张带有噪声的图像中去除其中所包含的附加噪声。

本文主要研究基于稀疏表达的高斯噪声和椒盐噪声去噪模型与算法。

由于高斯噪声和椒盐噪声特性的不同，我们分别对高斯噪声和椒盐噪声建立了模型。

使得针对不同的噪声应用相应的模型处理可以得到更好的去噪效果。

首先，我们学习与研究基于稀疏表达的高斯噪声图像模型。

该类算法和模型的基本思想是将原始图像表达为局部的基元线性组合，并约束线性组合系数的稀疏性，从而建立解决去噪问题的能量函数，在极小化过程中通过OMP和K-SVD算法优化该能量函数。

在实现中，我们可以用离散余弦变换（DCT）构造其中的基元组，也可以自适应的学习该基元组。

我们实现了该算法，并应用于高斯噪声图像的去噪问题。

另一方面，我们研究椒盐噪声的图像去噪问题。

我们发现，应用经典的稀疏表达模型会在处理去除椒盐噪声图像中失效，因此我们提出一种新的基于稀疏性的椒盐噪声图像去噪模型。

结合椒盐噪声的特性，我们用更为鲁棒的带权稀疏表达模型，在使用基元组时采用DCT基元组，并通过OMP方法优化该稀疏表达模型。

通过实验表明，该方法相对于经典的稀疏表达模型能更好的去除椒盐噪声。

关键词：图像去噪；基元表示；OMP；K-SVD；稀疏编码I西安交通大学本科毕业设计（论文）II ABSTRACTImage denoising is to remove the noises from a given observed noisy image. This paper mainly concentrates on how to remove Gaussian noises and pepper noises based on image sparse representation. Based on the characteristics of Gaussian noises and pepper noises, we learned and proposed the sparse representation based denoising model and algorithms to achieve image denoising.Firstly, we learn and investigate the sparse representation based Gaussian noise removal. The main idea is to represent the image by the local sparse linear combination over a dictionary of basis, and then OMP and K-SVD methods are used to optimize the deduced energy function. In implementation, the dictionary of basic can be set as constant or learned adaptively from the noisy images. We implemented this model and applied it to Gaussian noise removal.Secondly, we investigate the pepper noise removal based on image sparse representation. We find that, the traditional sparse representation model cannot handle the pepper noise removal problem perfectly. In this paper, we propose a novel weighted sparse representation model to remove the pepper noises, which uses the dictionary of DCT basis and optimize it by OMP algorithm. Experiments show that this proposed method can accurately remove pepper noises with much higher Peak Signal to Noises Ratio (PSNR).KEY WORDS:Image denoising;Dictionary learing;OMP;K-SVD;Sparse coding目录目录1 绪论 (1)1.1 研究背景 (1)1.2 本文主要研究工作 (2)2 基于稀疏线性表达的高斯噪声去噪模型 (4)2.1 模型介绍 (4)2.1.1 局部块上建立去噪模型 (4)2.1.2 图像整体上建立去噪模型 (5)2.2 模型优化求解 (6)2.2.1 采用DCT基元组优化模型 (6)2.2.2 全局学习基元组优化模型 (7)2.2.3 自适应学习基元组优化模型 (7)2.3 迭代求解算法 (8)3 基于稀疏线性表达的椒盐噪声去噪模型 (2)3.1 模型的建立 (2)3.2 模型优化求解 (3)3.3 迭代求解算法 (5)4 实验 (6)4.1 高斯噪声去噪实验 (7)4.2 椒盐噪声去噪实验 (8)5 结论与展望 (10)参考文献 (11)附录 (12)致谢 (25)III西安交通大学本科毕业设计（论文）IV1 绪论11 绪论1.1 研究背景 20世纪20年代，图像处理技术首次得到应用。

基于稀疏表示的Data Matrix码图像修复算法

基于稀疏表示的Data Matrix码图像修复算法陈庆然;许义宝;李新华【摘要】Sparse representation theory has become a hot topic in the field of image processing because of its simple modeling,high robust-ness and strong anti-jamming,which is applied in image restoration as a new research direction in image processing. In view of the blocked two-dimensional code image with no identification which often appear in the industrial scene,we propose an image restoration algorithm of block clustering based on sparse representation model. According to the effective information in the image to be repaired,the image is seg-mented by fixed overlapping pixels,and Euclidean distance is used to train and match image blocks. Taking the obtained image blocks with similar structure clustered into structural groups as the basic unit of image sparse representation,fast dictionary learning is carried out by using the estimation of each structure group. By using the separation iteration and the optimized gradient algorithm,the L1 norm-minimization of the group sparse representation model is solved,improving the robustness of restoration algorithm. The experiment shows that the proposed algorithm can repair the damaged Data Matrix code images such asocclusion,scratches or pixel loss,which greatly improves the recognition rate of bar code.%稀疏表示理论凭借其建模简单、鲁棒性高与抗干扰能力强等优势成为研究热点,将稀疏理论应用于图像修复已成为图像处理领域新的研究方向.针对工业现场中常出现的被遮挡而不能识别的二维码图像,提出一种基于稀疏表示模型的块聚类图像修复算法.依据待修复图像内的有效信息,以固定重叠像素的方式将图像分块,分别对图像块使用欧几里得距离进行训练匹配,将得到的具有相似结构的图像块聚类为结构组作为图像稀疏表示的基本单位,利用每个结构组的估计来快速学习字典.通过使用分离迭代与优化梯度算法对组稀疏表示模型的L1范数最小化问题进行求解,提高了修复算法的鲁棒性.实验结果表明,该算法能够很好地修复被遮挡、划痕或像素丢失等受损的Data Matrix码图像,较大地提高了条码的识别率.【期刊名称】《计算机技术与发展》【年(卷),期】2018(028)001【总页数】5页(P60-63,68)【关键词】Data Matrix码;图像修复;块聚类;稀疏表示【作者】陈庆然;许义宝;李新华【作者单位】安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230601;安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230601;安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230601【正文语种】中文【中图分类】TP3010 引言随着信息技术与自动识别技术的快速发展，二维码得到了广泛应用。

基于criminisi的结构组稀疏表示图像修复算法

第
30 卷摇 2020 年
第3 3月
期摇
摇
摇
摇
摇
摇
摇
摇
摇
摇
计算ห้องสมุดไป่ตู้技术与发展
摇
COMPUTER TECHNOLOGY AND DEVELOPMENT
摇
摇
摇
摇
摇
摇
摇
摇
摇
Vol. 30摇 No. 3 Mar. 摇 2020
基于 Criminisi 的结构组稀疏表示图像修复算法
王摇君,唐贵进,刘小花,崔子冠
0摇引摇言
图像修复指根据图像的已有信息,按照一定规则对破损区域做出合理猜测并填充,从而使重构图像最大程度地接近原始图像。图像修复最早用于古画、雕塑等文物的复原工作[1] ,在图像信息技术蓬勃发展的
( 南京邮电大学江苏省图像处理与图像通信重点实验室,江苏南京 210003)
摘摇要: 结构组稀疏表示(structural group sparse representation,SGSR) 算法对结构组的估计值进行奇异值分解得到字典,然后用 Split Bregman Iteration 算法求解优化模型得到稀疏解,最后借助字典和稀疏解来修复图像。该算法在一定程度上解决了传统稀疏表示算法忽略图像块之间相似性导致重构图像的结构和纹理不够自然的问题。但该算法中,结构组的估计值采用双线性插值算法得到,因此对块状缺失图像的修复效果一般。为了更准确地计算结构组的估计值,提出用 Criminisi 算法代替双线性插值算法,并由此时的估计值生成更合理的字典和稀疏解,得到重构的结构组,进而更准确地修复图像。实验数据表明,与 SGSR 算法相比,所提出的算法在峰值信噪比和相似结构性指数上分别平均提高了 2. 66 dB 和 0. 001 7, 且在结构和纹理上取得了更自然的主观视觉效果。关键词:图像修复;稀疏表示;字典学习;结构组中图分类号:TN911. 7摇摇摇摇摇摇文献标识码:A摇摇摇摇摇摇文章编号:1673-629X(2020)03-0024-06 doi:10. 3969 / j. issn. 1673-629X. 2020. 03. 005