基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法
【專利摘要】本發(fā)明公開了一種基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法，主要步驟包括：根據(jù)張量的方向性和近鄰結(jié)構(gòu)信息對(duì)張量樣本進(jìn)行分類，每一類分別構(gòu)造張量字典，對(duì)待修補(bǔ)圖像張量采用同樣的方式分類，用與之類別標(biāo)簽對(duì)應(yīng)的張量字典對(duì)其進(jìn)行修補(bǔ)，對(duì)每類字典下的重建結(jié)果進(jìn)行加權(quán)求和，得到最終的待修補(bǔ)圖像的重建結(jié)果。本發(fā)明根據(jù)張量的方向性和近鄰結(jié)構(gòu)信息對(duì)張量進(jìn)行有效、確定性的分類，能區(qū)別具有不同細(xì)節(jié)的張量，在對(duì)待修補(bǔ)張量重建時(shí)，利用重建誤差對(duì)每類字典下的重建結(jié)果進(jìn)行加權(quán)求和，克服了單個(gè)字典表達(dá)能力有限的缺點(diǎn)，對(duì)自然圖像的修補(bǔ)，能恢復(fù)更為清晰的邊緣細(xì)節(jié)，進(jìn)一步提高了修補(bǔ)質(zhì)量。用于受損圖像的修補(bǔ)。
【專利說明】
基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步設(shè)及壓縮感知技術(shù)領(lǐng)域中的圖像修補(bǔ)， 具體是一種基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法。本發(fā)明可用于對(duì)自然圖 像進(jìn)行修補(bǔ)，使受損的圖像復(fù)原、移走或替換圖片中原有的目標(biāo)，并達(dá)到人眼難W覺察到的 效果。
【背景技術(shù)】
[0002] 目前在圖像處理領(lǐng)域中，對(duì)自然圖像進(jìn)行修補(bǔ)的方法通常分為=類:基于偏微分 方程的非線性擴(kuò)散法、紋理合成法和基于稀疏表示的方法?；谄⒎址匠痰姆蔷€性擴(kuò)散 法，利用待修復(fù)區(qū)域周圍提供的有用信息，通過逐漸擴(kuò)散邊緣來修復(fù)圖像中缺損的空桐。紋 理合成法是將圖像未丟失信息的部分作為推導(dǎo)圖像丟失信息部分的訓(xùn)練集，在訓(xùn)練集中尋 找最匹配的樣本圖像填入空白區(qū)。基于稀疏表示的方法能夠有效利用圖像的稀疏性，W及 缺損圖像與完整圖像在超完備的字典下有相同稀疏編碼系數(shù)的性質(zhì)，使得缺損圖像得W恢 復(fù)。
[0003] 山東大學(xué)的方寶龍?jiān)谄鋵W(xué)位論文"基于紋理合成的圖像修復(fù)算法研究"（[分類號(hào)] TP391.41,2013)中提出一種基于紋理合成的圖像修補(bǔ)方法。該方法通過計(jì)算目標(biāo)塊和源區(qū) 域塊對(duì)應(yīng)像素顏色差值平方和來確定最佳匹配塊，利用已丟失信息圖像周圍的紋理信息， 來填補(bǔ)缺損圖像。該方法存在的不足之處是，由于沒有考慮到紋理繁殖的次序，很難較好地 修復(fù)紋理的結(jié)構(gòu)信息，修復(fù)圖像不連續(xù)，容易產(chǎn)生塊效應(yīng)。
[0004] 南京信息工程大學(xué)在其申請(qǐng)的專利"一種基于改進(jìn)的偏微分模型的指紋方向場(chǎng)計(jì) 算方法"（申請(qǐng)?zhí)枺?015101027345申請(qǐng)日：2015-03-09公開號(hào):CN104680148A)中公開了一種 基于偏微分方程的指紋圖像方向計(jì)算方法。該方法主要包括兩個(gè)步驟:第一，采用基本的梯 度算法求解指紋的初始方向場(chǎng);第二，對(duì)初始方向場(chǎng)采用改進(jìn)的偏微分模型進(jìn)行平滑。該方 法存在的不足之處是，在圖像信息偏微分?jǐn)U散過程中不能保持圖像的紋理信息，只能用于 小區(qū)域圖像修復(fù)，當(dāng)待修復(fù)的目標(biāo)區(qū)域較大時(shí)，修復(fù)結(jié)果會(huì)產(chǎn)生模糊，引起較大的失真。
[0005] 基于偏微分方程的非線性擴(kuò)散法在修補(bǔ)過程中不能保持圖像的紋理信息，修補(bǔ)出 來的圖像邊緣不連續(xù);紋理合成法沒有考慮到圖像塊的結(jié)構(gòu)信息，很難較好地修復(fù)紋理的 結(jié)構(gòu)信息，容易產(chǎn)生塊效應(yīng);基于稀疏表示的圖像修補(bǔ)方法，需要對(duì)圖像塊進(jìn)行向量化處 理，破壞了圖像塊的結(jié)構(gòu)信息，而且在修補(bǔ)的過程中，W單個(gè)圖像塊為單位進(jìn)行修補(bǔ)，沒有 有效利用圖像的紋理和空間結(jié)構(gòu)信息，修補(bǔ)后的圖像輪廓不太連續(xù)，會(huì)產(chǎn)生一定的失真。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種能夠迅速準(zhǔn)確地完成圖像 修補(bǔ)的基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法。
[0007] 本發(fā)明是一種基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法，包括W下步 驟：
[0008] 步驟I將訓(xùn)練樣本庫中的圖像構(gòu)成張量樣本并分類：
[0009] la)把訓(xùn)練樣本庫中的圖像分成大小為mXn的圖像塊，將非平滑的圖像塊和其空 間8近鄰圖像塊構(gòu)成張量樣本^GRmxnx9,隨機(jī)選取100 000個(gè)張量樣本作為訓(xùn)練樣本集 (主}1!T，其中Rmxnxs表示每一個(gè)張量樣本的大小為m X n X 9。
[0010] Ib)將訓(xùn)練樣本集中的張量樣本分為結(jié)構(gòu)類和非結(jié)構(gòu)類，根據(jù)方向性和近鄰結(jié)構(gòu) 信息，對(duì)結(jié)構(gòu)類再進(jìn)一步細(xì)分。
[0011] 步驟2對(duì)各個(gè)類的張量樣本進(jìn)行張量字典學(xué)習(xí)：
[0012] 用張量字典學(xué)習(xí)算法分別對(duì)各個(gè)類的張量樣本進(jìn)行學(xué)習(xí)，得到L個(gè)過完備張量字 典醉斯D盤，其中巧成為分別表示第i類張量樣本在稅，模2,模3上的字典。
[001引步驟3對(duì)待修補(bǔ)張量分類：
[0014] 將待修補(bǔ)圖像分成大小為mXn的重疊的圖像塊，將每一個(gè)待修補(bǔ)圖像塊與其空間 8近鄰圖像塊構(gòu)成待修補(bǔ)張量砂GRmxnx9,按照步驟1中的方法分類，得到待修補(bǔ)張量的類別 柄簽1 D
[0015] 步驟4判斷待修補(bǔ)張量的類別，用與之類別標(biāo)簽對(duì)應(yīng)的張量字典進(jìn)行修補(bǔ)：
[0016] 4a)將待修補(bǔ)張量n去掉缺損部分得到張量ft Ejrv?%x9,用張量稀疏編碼對(duì)待修 補(bǔ)張量在與之類別標(biāo)簽對(duì)應(yīng)的張量字典下進(jìn)行稀疏編碼，得到編碼系數(shù)谷k，
[0017]
[0018] 其中巧表示去掉缺損部分得到張量墓的大小為m日Xn日X9，l表示待修補(bǔ)張量 的類別標(biāo)簽，表示待修補(bǔ)張量在j模上的感知矩陣，^表示第1類張量j模字典W在感知 矩陣O J下的字典，即
/ = 1，2,3，自1^為待修補(bǔ)張量在第1類張量結(jié)構(gòu)字典下的稀疏 編碼系數(shù)，I I ? I Ii表示1范數(shù)，A控制稀疏編碼系數(shù)的稀疏度；
[0019] 4b)計(jì)算得到修補(bǔ)后的張量
，
[0020] 步驟5對(duì)修補(bǔ)后的張量進(jìn)行重建：
[0021] 5a)計(jì)算修補(bǔ)后的張量拓在多類張量結(jié)構(gòu)字典下的重建結(jié)果乏;：
[0022]
[0023] 其中，稀疏編碼系數(shù)技通過
1求解得到，公為修 補(bǔ)后的張量私在第i類張量結(jié)構(gòu)字典下的稀疏編碼系數(shù)，S為修補(bǔ)后的張量彭在第i類張量 結(jié)構(gòu)字典下的重建結(jié)果；
[0024] 5b)計(jì)算修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建權(quán)值：
[0025]
[0026] 其中，Wi表示修補(bǔ)后的張量在第i類張量結(jié)構(gòu)字典下的權(quán)值，L表示結(jié)構(gòu)字典中分 字典的數(shù)目，X表示求和操作，ei表示修補(bǔ)后的張量在第i類張量字典稀疏編碼的重建誤 差，即
[0027] 5c)對(duì)修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建結(jié)果I；進(jìn)行加權(quán)求和，得到最 終的待修補(bǔ)張量的重建結(jié)果斟，
[002引
[0029] 將重建后的張量構(gòu)成圖像，完成圖像修補(bǔ)。
[0030] 本發(fā)明首先將圖像塊和其空間8近鄰圖像塊構(gòu)成張量，避免了對(duì)圖像塊進(jìn)行向量 化處理，保持了圖像塊中的結(jié)構(gòu)信息，然后根據(jù)張量的方向性和近鄰結(jié)構(gòu)信息對(duì)張量樣本 進(jìn)行分類，分別建立稀疏超完備張量字典，分類進(jìn)行圖像修補(bǔ)。本發(fā)明能夠迅速準(zhǔn)確地完成 圖像修補(bǔ)，較為準(zhǔn)確地恢復(fù)出圖像的局部結(jié)構(gòu)信息，獲得清晰的圖像修補(bǔ)結(jié)果。
[0031 ]本發(fā)明與現(xiàn)有技術(shù)相比具有W下優(yōu)點(diǎn)：
[0032] 第一，由于本發(fā)明采用了圖像張量塊分類的方法，再對(duì)待修補(bǔ)張量進(jìn)行修補(bǔ)，克服 了現(xiàn)有技術(shù)中對(duì)圖像塊單獨(dú)重建，無法利用到圖像塊局部近鄰結(jié)構(gòu)信息的缺點(diǎn)，使得本發(fā) 明具有了修補(bǔ)時(shí)間短，準(zhǔn)確性高的優(yōu)點(diǎn)；
[0033] 第二，由于本發(fā)明在圖像張量塊分類過程中利用了圖像張量塊中的方向性和近鄰 結(jié)構(gòu)信息，克服了現(xiàn)有無監(jiān)督聚類技術(shù)中聚類不準(zhǔn)確的缺點(diǎn)，使得本發(fā)明具有了修補(bǔ)細(xì)節(jié) 信息清晰的優(yōu)點(diǎn)；
【附圖說明】
[0034] 圖1是本發(fā)明的流程圖；
[0035] 圖2是圖像張量分類示意圖；
[0036] 圖3是Lena圖像，其中3(a)為原始的Lena圖像，3(b)為受損的Lena圖像；
[0037] 圖4是本發(fā)明對(duì)Lena圖像修補(bǔ)結(jié)果與其他方法修補(bǔ)結(jié)果的對(duì)比圖，其中4(a)為 化iminisi方法修補(bǔ)的結(jié)果圖，4(b)為稀疏表示方法修補(bǔ)的結(jié)果圖，4k)為本發(fā)明修補(bǔ)的結(jié) 果圖；
[0038] 圖5是化ppers圖像，其中5(a)為原始的化ppers圖像，5(b)為受損的化ppers圖像；
[0039] 圖6是本發(fā)明對(duì)化ppers圖像修補(bǔ)結(jié)果與其他方法修補(bǔ)結(jié)果的對(duì)比圖，其中6(a)為 化iminisi方法修補(bǔ)的結(jié)果圖，6(b)為稀疏表示方法修補(bǔ)的結(jié)果圖，6k)為本發(fā)明修補(bǔ)的結(jié) 果圖。
【具體實(shí)施方式】
[0040] 下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)描述。
[0041 ] 實(shí)施例1
[0042] 傳統(tǒng)的圖像修補(bǔ)方法沒有能有效利用到待修補(bǔ)圖像塊中的近鄰結(jié)構(gòu)信息和紋理 信息，導(dǎo)致修補(bǔ)出來的圖像比較模糊，有比較大的失真。為此，本發(fā)明提出了一種基于張量 結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法，參見圖1，包括W下步驟：
[0043] 步驟1將訓(xùn)練樣本庫中的圖像構(gòu)成張量樣本并分類：
[0044] la)把訓(xùn)練樣本庫中的圖像分成大小為mXn的圖像塊，將非平滑的圖像塊和其空 間8近鄰圖像塊構(gòu)成張量樣本^GRmXnX9,隨機(jī)選取100 OOO個(gè)張量樣本作為訓(xùn)練樣本集 {主}，其中Rmxnx嗦示每一個(gè)張量樣本的大小為m X n X 9，k表示張量樣本在訓(xùn)練樣本集 中的索引。在本實(shí)施例中，m=9，n = 9,當(dāng)圖像中的受損區(qū)域比較大的時(shí)候，m和n的數(shù)值可W 適當(dāng)增加。
[0045] Ib)將訓(xùn)練樣本集中的張量樣本分為結(jié)構(gòu)類和非結(jié)構(gòu)類，根據(jù)方向性，將結(jié)構(gòu)類分 為結(jié)構(gòu)子類，再根據(jù)近鄰結(jié)構(gòu)信息，用K-means算法對(duì)結(jié)構(gòu)子類進(jìn)一步細(xì)分，將每一個(gè)結(jié)構(gòu) 子類再分為K類。
[0046] 步驟2對(duì)各個(gè)類的張量樣本進(jìn)行張量字典學(xué)習(xí)，包括非結(jié)構(gòu)類與結(jié)構(gòu)類中各個(gè)細(xì) 分的子類：
[0047] 用張量字典學(xué)習(xí)算法分別對(duì)各個(gè)類的張量樣本進(jìn)行學(xué)習(xí)，得到L個(gè)過完備張量字 典
其中巧，巧，巧分別表示第i類張量樣本在模1，模2,模3上的字典。
[004引步驟3對(duì)待修補(bǔ)張量分類：
[0049] 將待修補(bǔ)圖像分成大小為mXn的重疊的圖像塊，將每一個(gè)待修補(bǔ)圖像塊與空間8 近鄰圖像塊構(gòu)成待修補(bǔ)張量ZkGRmxnX9,按照步驟1中的方法分類，得到待修補(bǔ)張量的類別 柄簽1。
[0050] 步驟4判斷待修補(bǔ)張量的類別，用與之類別標(biāo)簽對(duì)應(yīng)的張量字典進(jìn)行修補(bǔ)：
[0051] 首先判斷待修補(bǔ)張量是否屬于結(jié)構(gòu)類，如果不屬于結(jié)構(gòu)類則用非結(jié)構(gòu)類字典進(jìn)行 修補(bǔ)，如果屬于結(jié)構(gòu)類，則用結(jié)構(gòu)類中張量字典進(jìn)行修補(bǔ)，總之用與之類別標(biāo)簽對(duì)應(yīng)的張量 字典進(jìn)行修補(bǔ)。
[0化2] 4a)將待修補(bǔ)張量去掉缺損部分得到張量_ ，在張量字典中找到與該待 修補(bǔ)張量類別標(biāo)簽1相對(duì)應(yīng)的張量字典，用張量稀疏編碼對(duì)待修補(bǔ)張量在該張量字典下進(jìn) 行稀疏編碼，得到編碼系數(shù)Ck,
[0化3]
[0化4]其中嚴(yán)"。'"。X0表示去掉缺損部分得到張量私的大小為m日X no X 9，1表示待修補(bǔ)張量 的類別標(biāo)簽，O J表示待修補(bǔ)張量在j模上的感知矩陣，K表示第1類張量j模字典在感知 矩陣Oj下的字典，即
，￡^<為待修補(bǔ)張量在第1類張量結(jié)構(gòu)字典下的稀疏 編碼系數(shù)，I I ? I Ii表示1范數(shù)，A控制稀疏編碼系數(shù)的稀疏度。A的取值在(0，1)之間。在本例 中，A取值為0.5,在實(shí)際應(yīng)用中，A的取值可W根據(jù)需要在取值區(qū)間內(nèi)適當(dāng)調(diào)整。
[0055] 4b)計(jì)算得到修補(bǔ)后的張量
[0056] 步驟5對(duì)修補(bǔ)后的張量進(jìn)行圖像重建：
[0化7] 53)計(jì)算修補(bǔ)后的張量^^在多類張量結(jié)構(gòu)字典下的重建結(jié)果苗：
[0化引
[0化9]其中，稀疏編碼系數(shù)這通i3
求解得到，公為修 補(bǔ)后的張量弘在第i類張量結(jié)構(gòu)字典下的稀疏編碼系數(shù)，哲-為修補(bǔ)后的張量教在第i類張 量結(jié)構(gòu)字典下的重建結(jié)果。
[0060] 本發(fā)明中，多類張量結(jié)構(gòu)字典為在步驟2中學(xué)習(xí)得到的所有類別的張量字典。通過 將修補(bǔ)后的張量在多類張量字典中進(jìn)行重建，可W克服單個(gè)張量字典對(duì)某些結(jié)構(gòu)信息表示 不準(zhǔn)確的缺點(diǎn)，進(jìn)一步提高修補(bǔ)質(zhì)量。
[0061] 5b)計(jì)算修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建權(quán)值：
[0062]
[0063] 其中，Wi表示修補(bǔ)后的張量在第i類張量結(jié)構(gòu)字典下的權(quán)值，L表示結(jié)構(gòu)字典中分 字典的數(shù)目，S表示求和操作，ei表示修補(bǔ)后的張量在第i類張量字典稀疏編碼的重建誤 差，即
[0064] 5c)對(duì)修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建結(jié)果裝進(jìn)行加權(quán)求和，得到最 終的待修補(bǔ)張量的重建結(jié)果斟，
[00 化]
[0066] 將重建后的張量構(gòu)成圖像，完成圖像修補(bǔ)。
[0067] 基于稀疏表示的方法需要對(duì)圖像塊進(jìn)行向量化處理，破壞了圖像塊的結(jié)構(gòu)信息， 而且在修補(bǔ)的過程中，W單個(gè)圖像塊為單位進(jìn)行修補(bǔ)，沒有考慮到圖像塊之間的近鄰結(jié)構(gòu) 信息。本發(fā)明將圖像塊和其空間8近鄰圖像塊構(gòu)成張量，根據(jù)張量的方向性和近鄰結(jié)構(gòu)信息 對(duì)張量樣本進(jìn)行分類，然后在每一類中構(gòu)造張量字典，再對(duì)待修補(bǔ)張量在特定字典下進(jìn)行 修補(bǔ)，通過將修補(bǔ)后的張量在多類張量字典中進(jìn)行重建，可W克服單個(gè)張量字典對(duì)某些結(jié) 構(gòu)信息表達(dá)不準(zhǔn)確的缺點(diǎn)，最大限度的提高修補(bǔ)質(zhì)量，使得本發(fā)明的修補(bǔ)時(shí)間短，修補(bǔ)的準(zhǔn) 確性更高。
[006引實(shí)施例2
[0069] 基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法同實(shí)施例1，步驟化所述的 將訓(xùn)練樣本集中的張量樣本分為結(jié)構(gòu)類和非結(jié)構(gòu)類的具體步驟，參見圖2,如下：
[0070] 化.1)構(gòu)造每一個(gè)張量樣本的梯度張量王a
[0071] 化.2)對(duì)梯度張量王：進(jìn)行冊(cè)SVD分解，如下
[0072]
[0073] 其中A，B，C分別表示梯度張量王在模1，模2,模3矩陣的左奇異向量構(gòu)成的字典，0 是梯度張量王在字典A，B，C上的核屯、張量，P，Q，R分別表示核屯、張量g在一維，二維和=維 方向上的長度，gpqr表示核屯、張量客在(P，q，r)位置處的值，Xi表示張量的i模上的乘法，O表 示向量的外積；
[0074] 化.3)按照下式，計(jì)算梯度張量王在方向bi，te上的相近程度vi，V2
[0075]
[0076] 其中bi，b2分別表示梯度張量王模2字典帥的第一個(gè)和第二個(gè)列向量；
[0077] 化.4)按照下式，計(jì)算梯度張量T的方向值；
[007引
[0079] 將方向值王C小于TH的張量樣本作為非結(jié)構(gòu)類，將方向值王0大于TH的張量樣本作 為結(jié)構(gòu)類，其中王。表示梯度張量王的方向值，Vl和V2分別為梯度張量在bl，b2上的相近程 度。本發(fā)明中TH是衡量結(jié)構(gòu)類與非結(jié)構(gòu)中的闊值，在分類過程中根據(jù)操作選定，通常在0.6- 0.9之間選取，在本實(shí)施例中，TH取值為0.7,當(dāng)圖像塊比較大的時(shí)候，TH的數(shù)值可W適當(dāng)減 小。
[0080] 1、.。格昭下古宵緝構(gòu)類張量樣本的角度：
[0081]
[0082] 將結(jié)構(gòu)類張量樣本的角度a在范圍-90°~90°內(nèi)每隔10°分為一類，平均劃分為18 類，得到分類后的張量樣本，其中，Cl表示結(jié)構(gòu)類張量樣本的角度，n表示圓周率，bi(l)和bi (2)分別表示向量bi的前兩個(gè)值，arctan表示反S角函數(shù)的反正切操作。在實(shí)際應(yīng)用中，可 W根據(jù)需要，調(diào)整角度的間隔，從而改變分類的類別數(shù)。當(dāng)圖像的結(jié)構(gòu)信息比較復(fù)雜，需要 分類的類別數(shù)比較多的時(shí)候，角度間隔可W適度減小，從而每一個(gè)類別中的樣本更相似。
[0083] Ib. 6) W結(jié)構(gòu)類張量樣本對(duì)應(yīng)的梯度張量王的模3字典C的第一個(gè)原子Cl作為特 征，對(duì)在同一結(jié)構(gòu)子類中的張量樣本進(jìn)行K-means聚類，將每一個(gè)結(jié)構(gòu)子類中的張量樣本再 進(jìn)一步分為K類，完成對(duì)每一個(gè)結(jié)構(gòu)類張量樣本的細(xì)分。在本發(fā)明中，K表示對(duì)每一個(gè)結(jié)構(gòu)子 類中的張量樣本進(jìn)一步分類的類別數(shù)，通常取值為大于5的正數(shù)。在本例中，K的取值為8。
[0084] 本發(fā)明在圖像張量分類過程中利用了張量的方向性將張量樣本分為結(jié)構(gòu)類和非 結(jié)構(gòu)類，再根據(jù)近鄰結(jié)構(gòu)信息，將每一個(gè)結(jié)構(gòu)子類再分為K類。運(yùn)種分類方法用到了張量的 方向性和近鄰結(jié)構(gòu)信息，克服了現(xiàn)有無監(jiān)督聚類方法中聚類不準(zhǔn)確的缺點(diǎn)，使得每一類中 的張量樣本具有較高的結(jié)構(gòu)相似性，從而提升了本發(fā)明修補(bǔ)細(xì)節(jié)信息的能力。
[0085] 實(shí)施例3
[0086] 基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法同實(shí)施例1-2,步驟Ib. 1所 述的構(gòu)造每一個(gè)張量樣本的梯度張量王的具體步驟如下：
[0087] 化.1.1)計(jì)算張量樣本中的每一個(gè)圖像塊。和該張量樣本中屯、圖像塊Ii的相似度： [008引
[0089] 其中，山表示張量樣本中的圖像塊。與其中屯、圖像塊Ii的相似度，h為控制圖像塊 之間相似度的平滑參數(shù)，h的取值范圍為1到幾百之間的正數(shù)，在本例中，h的取值為20。
[0090] Ib. 1.2)按照下式，計(jì)算張量樣本中每一個(gè)圖像塊。中每個(gè)像素在水平方向和垂 直方向上的梯度：
[0091]
[OOW]其中，V/yh.，興)表示張量樣本的圖像塊I j中第k個(gè)點(diǎn)水平方向和垂直方向上的梯 度，（xk，y〇表示第k個(gè)像素點(diǎn)處的坐標(biāo)，將圖像塊。中所有像素點(diǎn)的梯度按照下面的形式構(gòu) 成梯度矩陣Gj,
[0093]
[0094] Ib. 1.3)將張量樣本中每一個(gè)圖像塊。的梯度矩陣&分別乘W該圖像塊與該張量 樣本中屯、圖像塊的相似度山，將加權(quán)后的梯度矩陣即Gj X山重疊成梯度張量王，梯度張量
[0095] 本發(fā)明在構(gòu)造梯度張量的過程中，同時(shí)考慮到了張量中圖像塊的梯度信息和圖像 塊之間的相似性，使得該梯度張量具有更好反映張量的紋理和結(jié)構(gòu)信息的能力，為下一步 的張量分類提供了更好的依據(jù)。
[0096] 實(shí)施例4
[0097] 基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法同實(shí)施例1-3,參照附圖1， 對(duì)本發(fā)明的具體實(shí)現(xiàn)步驟做進(jìn)一步的描述。
[0098] 步驟1，將訓(xùn)練樣本庫中的圖像形成張量樣本并分類：
[0099] la)把訓(xùn)練樣本庫中的圖像分成大小為mXn的圖像塊，將非平滑的圖像塊和該非 平滑的圖像塊的空間8近鄰圖像塊構(gòu)成張量樣本卸GRmxnx9,隨機(jī)選取100 000個(gè)張量樣本 作為訓(xùn)練樣本集，其中Rmxnxs表示每一個(gè)張量樣本的大小為m X n X 9，k表示張量樣 本在訓(xùn)練樣本集中的索引。在本實(shí)施例中，m=8，n = 8,當(dāng)圖像中的受損區(qū)域比較大的時(shí)候， m和n的數(shù)值可W適當(dāng)增加。
[0100] Ib)將訓(xùn)練樣本集中的張量樣本分為結(jié)構(gòu)類和非結(jié)構(gòu)類，根據(jù)方向性，將結(jié)構(gòu)類分 為結(jié)構(gòu)子類，再根據(jù)近鄰結(jié)構(gòu)信息，用K-means算法對(duì)結(jié)構(gòu)子類進(jìn)一步細(xì)分，將每一個(gè)結(jié)構(gòu) 子類再分為K類。
[0101] 化.1)構(gòu)造每一個(gè)張量樣本的梯度張量王；
[0102] 化.1.1)計(jì)算張量樣本中的每一個(gè)圖像塊。和該張量樣本中屯、圖像塊Ii的相似度：
[0103]
[0104] 其中，山表示張量樣本中的圖像塊。與其中屯、圖像塊Ii的相似度，h為控制圖像塊 之間相似度的平滑參數(shù)。
[0105] Ib. 1.2)按照下式，計(jì)算張量樣本中每一個(gè)圖像塊。中每個(gè)像素在水平方向和垂 直方向上的梯度：
[0106]
[0107]其中，巧，托)表示張量樣本的圖像塊。中第k個(gè)點(diǎn)水平方向和垂直方向上的梯 度，（xk，yk)表示第k個(gè)像素點(diǎn)處的坐標(biāo)，將圖像塊。中所有像素點(diǎn)的梯度按照下面的形式構(gòu) 成梯度矩陣Gj,
[010 引
[0109] lb. I. 3)將張量樣本中每一個(gè)圖像塊。的梯度矩陣b分別乘W該圖像塊與該張量 樣本中屯、圖像塊的相似度山，將加權(quán)后的梯度矩陣即& X山重疊成梯度張量王，梯度張量
[0110] 化.2)對(duì)梯度張量T進(jìn)行冊(cè)SVD分解，按照下式進(jìn)行：
[0111]
[0112] 其中A，B，C分別表示梯度張量T在模1，模2,模3矩陣的左奇異向量構(gòu)成的字典，復(fù) 是梯度張量王在字典A，B，C上的核屯、張量，P，Q，R分別表示核屯、張量鳥在一維，二維和=維 方向上的長度，gpqr表示核屯、張量￡在(P，q，r)位置處的值，Xl表示張量的i模上的乘法，o表 示向量的外積。
[0113] 化.3)按照下式，計(jì)算梯度張量王在方向bi，te上的相近程度vi，V2
[0114]
[0115] 其中bi，b2分別表示梯度張量f模2字典B中的第一個(gè)和第二個(gè)列向量。
[0116] 化.4)按照下式，計(jì)算梯度張量T的方向值：
[0117]
[011引將方向值里。小于TH的張量樣本作為非結(jié)構(gòu)類，將方向值王。大于TH的張量樣本作 為結(jié)構(gòu)類，其中王^表示梯度張量王的方向值，Vl和V2分別為梯度張量在bl，b2上的相近程 度。在本實(shí)施例中，TH取值0.7。
[0119] 化.5)按照下式，計(jì)算結(jié)構(gòu)類張量樣本的角度：
[0120]
[0121] 將結(jié)構(gòu)類張量樣本的角度a在范圍-90°~90°內(nèi)每隔10°分為一類，平均劃分為18 類，得到分類后的張量樣本，其中，a表示結(jié)構(gòu)類張量樣本的角度，JT表示圓周率，bi(l)和bi (2)分別表示向量bi的前兩個(gè)值，arctan表示反S角函數(shù)的反正切操作。在實(shí)際應(yīng)用中，根 據(jù)需要調(diào)整角度的間隔，改變分類的類別數(shù)。
[0122] Ib. 6) W結(jié)構(gòu)類張量樣本對(duì)應(yīng)的梯度張量r的模3字典C的第一個(gè)原子Cl作為特 征，對(duì)在同一結(jié)構(gòu)子類中的張量樣本進(jìn)行K-means聚類，將每一個(gè)結(jié)構(gòu)子類中的張量樣本再 進(jìn)一步分為K類，完成對(duì)每一個(gè)結(jié)構(gòu)類張量樣本的細(xì)分。
[0123] 步驟2,張量字典學(xué)習(xí)：
[0124] 用張量字典學(xué)習(xí)算法分別對(duì)各個(gè)類的張量樣本進(jìn)行學(xué)習(xí)，得到L個(gè)過完備張量字 典的，D油心其中D'l馬D紛別表示第i類張量樣本在稅，模2,模3上的字典。
[0125]本發(fā)明沒有用單個(gè)字典對(duì)所有的樣本進(jìn)行學(xué)習(xí)，而是將所有的張量樣本根據(jù)方向 性和近鄰結(jié)構(gòu)信息先分類，然后在各個(gè)類別中分別學(xué)習(xí)張量字典，運(yùn)種方法減少了字典學(xué) 習(xí)的復(fù)雜度，提高了字典的準(zhǔn)確性，從而達(dá)到了比較好的重建結(jié)果。
[01 %]步驟3，對(duì)待修補(bǔ)張量分類：
[0127] 將待修補(bǔ)圖像分成大小為mXn的重疊的圖像塊，將每一個(gè)待修補(bǔ)的圖像塊與其空 間8近鄰圖像塊構(gòu)成待修補(bǔ)張量砂G Rmxnx9，按照步驟1中的方法分類，將待修補(bǔ)的張量分為 結(jié)構(gòu)類和非結(jié)構(gòu)類，再根據(jù)方向^生和近鄰結(jié)構(gòu)信息，對(duì)結(jié)構(gòu)類進(jìn)一步細(xì)分，得到其類別標(biāo)簽 1。在運(yùn)里將待修補(bǔ)圖像分成重疊的圖像塊，是為了減少因分塊而導(dǎo)致重建圖像比較嚴(yán)重的 塊效應(yīng)，提升圖像的重建效果。
[0128] 步驟4,將待修補(bǔ)張量用與之類別標(biāo)簽對(duì)應(yīng)的張量字典進(jìn)行修補(bǔ)：
[0129] 4a)將待修補(bǔ)張量去掉缺損部分得到張量用張量稀疏編碼對(duì)待修補(bǔ) 張量在與之對(duì)應(yīng)類別的張量字典下進(jìn)行稀疏編碼得到編碼系數(shù)也就是對(duì)編碼誤差最小 化，
[0130]
[0131] 其中i^。x"。x9表示去掉缺損部分得到張量?的大小為m日Xn日X9，l表示待修補(bǔ)張量 的類別標(biāo)簽，01表示待修補(bǔ)張量在i模上的感知矩陣，巧表示第1類張量i模字典D;在感知 矩陣(61下的字典，即
1表示1范數(shù)，A控制稀疏編碼系數(shù)的稀疏度。在本例 中，如勺取值為0.2。
[0132] 4b)計(jì)算得到修補(bǔ)后的張量
[0133] 步驟5,圖像重建：
[0134] 5a)計(jì)算修補(bǔ)后的張量扛在多類張量結(jié)構(gòu)字典下的重建結(jié)果乏1-:
[0135]
[0136] 其中，稀疏編碼系數(shù)起通過
求解得到，公為修 補(bǔ)后的張量替在第i類張量結(jié)構(gòu)字典下的稀疏編碼系數(shù)，替為修補(bǔ)后的張量&在第i類張 量結(jié)構(gòu)字典下的重建結(jié)果；
[0137] 5b)計(jì)算修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建權(quán)值：
[013 引
[0139] 其中，Wi表示修補(bǔ)后的張量在第i類張量結(jié)構(gòu)字典下的權(quán)值，L表示結(jié)構(gòu)字典中分 字典的數(shù)目，S表示求和操作，ei表示修補(bǔ)后的張量在第i類張量字典稀疏編碼的重建誤 差，即
[0140] 5c)對(duì)修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建結(jié)果^進(jìn)行加權(quán)求和，得到最 終的待修補(bǔ)張量的重建結(jié)果斟，
[0141]
[0142] 將重建后的張量構(gòu)成圖像，完成圖像修補(bǔ)。
[0143] 本發(fā)明的效果可W通過W下仿真實(shí)驗(yàn)進(jìn)一步說明：
[0144] 實(shí)施例5
[0145] 基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法同實(shí)施例1-4，
[0146] 1.仿真實(shí)驗(yàn)條件與方法：
[0147] 硬件測(cè)試平臺(tái)是：處理器為Intel Core2CPU，主頻為2.33GHz，內(nèi)存2GB，
[0148] 軟件平臺(tái)為:Windows XP操作系統(tǒng)和Matlab R2012a;
[0149] 實(shí)驗(yàn)方法:分別為本發(fā)明、化iminisi方法和基于稀疏表示的圖像修補(bǔ)方法。
[0150] 2.仿真實(shí)驗(yàn)內(nèi)容：
[0151] 在上述實(shí)驗(yàn)條件下，進(jìn)行W下實(shí)驗(yàn)。
[0152] 仿真一，利用本發(fā)明與現(xiàn)有兩種方法，對(duì)含破損待修補(bǔ)圖像3(b)進(jìn)行修補(bǔ)處理，其 中圖3(b)中的白色文字部分為受損區(qū)域，修補(bǔ)結(jié)果如圖4所示。其中圖4(a)為Criminisi方 法修補(bǔ)的結(jié)果圖，圖4(b)為基于稀疏表示的方法修補(bǔ)的結(jié)果圖，圖4(c)為本發(fā)明修補(bǔ)的結(jié) 果圖。
[0153] 分別將上述S種方法修補(bǔ)的結(jié)果圖4(a)，圖4(b)和圖4(c)與未破損圖像3(a)進(jìn)行 比較，從視覺效果來看，Criminisi算法修補(bǔ)過后圖像的臉部和帽子邊緣出現(xiàn)了明顯的瑕 疵，基于稀疏表示的方法無法對(duì)細(xì)節(jié)進(jìn)行較好的處理，修補(bǔ)后圖像的邊緣產(chǎn)生了一定的模 糊。如圖4(c)所示，經(jīng)本發(fā)明修補(bǔ)的圖像可見，保持了較好的結(jié)構(gòu)信息，修補(bǔ)后的結(jié)果圖具 有更多的細(xì)節(jié)，輪廓部分更加清晰自然。
[0154] 如果說視覺感受對(duì)圖像修補(bǔ)結(jié)果的分辨仍有差異，數(shù)值指標(biāo)更能精確反映圖像的 重構(gòu)效果。
[0155] 分別計(jì)算上述S種方法對(duì)含受損待修補(bǔ)圖3(b)修補(bǔ)結(jié)果的峰值信噪比PSNR和結(jié) 構(gòu)相似度SSIM，其指標(biāo)表示不同方法修補(bǔ)圖像的效果，數(shù)值越大，說明修補(bǔ)效果越好。其結(jié) 果如表1所不。
[0156] 表1:本發(fā)明與現(xiàn)有方法實(shí)驗(yàn)結(jié)果的對(duì)比
[0157]
[015引從表1中可W看出本發(fā)明修補(bǔ)出來圖像的峰值信噪比PSNR和結(jié)構(gòu)相似度SSIM比現(xiàn) 有的兩種方法都有較大提局。
[0159] W上的實(shí)驗(yàn)結(jié)果表明，本發(fā)明無論在客觀指標(biāo)還是視覺效果上，都表現(xiàn)出了較好 的性能，在保持結(jié)構(gòu)效果的同時(shí)，提高了圖像的修補(bǔ)結(jié)果。
[0160] 實(shí)施例6
[0161] 基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法同實(shí)施例1-5,仿真實(shí)驗(yàn)條 件與方法同實(shí)施例5:
[0162] 仿真二，利用本發(fā)明與現(xiàn)有兩種方法，對(duì)含破損待修補(bǔ)圖像5(b)進(jìn)行修補(bǔ)處理，其 中圖5(b)中的白色'#'部分為受損區(qū)域，修補(bǔ)結(jié)果如圖6所示。其中圖6(a)為Criminisi方法 修補(bǔ)的結(jié)果圖，圖6(b)為基于稀疏表示的方法修補(bǔ)的結(jié)果圖，圖6(c)為本發(fā)明修補(bǔ)的結(jié)果 圖。
[0163] 分別將上述S種方法修補(bǔ)的結(jié)果圖6(a)，圖6(b)和圖6(c)與未破損圖像5(a)進(jìn)行 比較，從視覺效果來看，Criminisi算法修補(bǔ)后的圖像，尤其是在圖像中間化pper的中間部 位明顯地留有橫向和豎向的痕跡，產(chǎn)生了較為明顯的塊效應(yīng)?；谙∈璞硎镜姆椒ㄐ扪a(bǔ)后 的圖像在尖椒上原受損區(qū)域有豎向的模糊痕跡，在深色的化pper上有比較明顯的橫向模糊 痕跡。如圖6(c)所示，經(jīng)本發(fā)明修補(bǔ)的圖像可見，保持了較好的整體結(jié)構(gòu)信息，修補(bǔ)結(jié)果清 晰自然，更加接近于原圖。
[0164] 進(jìn)一步從數(shù)值指標(biāo)來對(duì)比本發(fā)明與現(xiàn)有技術(shù)的圖像重構(gòu)效果。
[0165] 分別計(jì)算上述S種方法對(duì)含受損待修補(bǔ)圖5(b)修補(bǔ)結(jié)果的峰值信噪比PSNR和結(jié) 構(gòu)相似度SSIM，其指標(biāo)表示不同方法修補(bǔ)圖像的效果，數(shù)值越大，說明修補(bǔ)效果越好。其結(jié) 果如表2所示。
[0166] 表2:本發(fā)明與現(xiàn)有方法實(shí)驗(yàn)結(jié)果的對(duì)比
[0167]
[016引從表2中可W看出本發(fā)明修補(bǔ)出來圖像的峰值信噪比PSNR和結(jié)構(gòu)相似度SSIM比現(xiàn) 有的兩種方法都有較大提局。
[0169] W上的實(shí)驗(yàn)結(jié)果表明，本發(fā)明無論在客觀指標(biāo)還是主觀效果上，都表現(xiàn)出了較好 的性能，在保持結(jié)構(gòu)效果的同時(shí)，提高了圖像的修補(bǔ)結(jié)果。
[0170] 簡而言之，本發(fā)明的基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法，其主 要步驟包括:根據(jù)張量的方向性和近鄰結(jié)構(gòu)信息對(duì)張量樣本進(jìn)行分類，每一類分別構(gòu)造張 量字典，對(duì)待修補(bǔ)圖像張量采用同樣的方式分類，用與之類別標(biāo)簽對(duì)應(yīng)的張量字典對(duì)其進(jìn) 行修補(bǔ)，對(duì)每類字典下的重建結(jié)果進(jìn)行加權(quán)求和，得到最終的待修補(bǔ)圖像的重建結(jié)果。本發(fā) 明根據(jù)張量的方向性和近鄰結(jié)構(gòu)信息對(duì)張量進(jìn)行有效的、確定性的分類，能很好的區(qū)別具 有不同細(xì)節(jié)的張量，在對(duì)待修補(bǔ)張量重建時(shí)，利用重建誤差對(duì)每類字典下的重建結(jié)果進(jìn)行 加權(quán)求和，克服了單個(gè)字典表達(dá)能力有限的缺點(diǎn)，對(duì)自然圖像的修補(bǔ)，能恢復(fù)更為清晰的邊 緣細(xì)節(jié)，進(jìn)一步提高了修補(bǔ)質(zhì)量。應(yīng)用領(lǐng)域?yàn)閳D像修補(bǔ)。
【主權(quán)項(xiàng)】
1. 一種基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法，其特征在于，包括有以 下步驟： 步驟1將訓(xùn)練樣本庫中的圖像構(gòu)成張量樣本并分類： la) 把訓(xùn)練樣本庫中的圖像分成大小為mXn的圖像塊，將非平滑的圖像塊和其空間8近 鄰圖像塊構(gòu)成張量樣本@erXnX9,隨機(jī)選取100 OOO個(gè)張量樣本作為訓(xùn)練樣本集 其中RmXnX9表不每一個(gè)張量樣本的大小為m X η X 9; lb) 將訓(xùn)練樣本集中的張量樣本分為結(jié)構(gòu)類和非結(jié)構(gòu)類，根據(jù)方向性和近鄰結(jié)構(gòu)信息， 對(duì)結(jié)構(gòu)類再進(jìn)一步細(xì)分； 步驟2對(duì)各個(gè)類的張量樣本進(jìn)行張量字典學(xué)習(xí)： 用張量字典學(xué)習(xí)算法分別對(duì)各個(gè)類的張量樣本進(jìn)行學(xué)習(xí)，得到L個(gè)過完備張量字典>別表示第i類張量樣本在模1，模2,模3上的字典； 步驟3對(duì)待修補(bǔ)張量分類： 將待修補(bǔ)圖像分成大小為mXn的重疊的圖像塊，將每一個(gè)待修補(bǔ)圖像塊和其空間8近 鄰圖像塊構(gòu)成待修補(bǔ)張量ZkeRmXnX9,按照步驟1中的方法分類，得到待修補(bǔ)張量的類別標(biāo) 簽1; 步驟4判斷待修補(bǔ)張量的類別，用與之類別標(biāo)簽對(duì)應(yīng)的張量字典進(jìn)行修補(bǔ)： 4a)將待修補(bǔ)張量@去掉缺損部分得到張量& e :，用張量稀疏編碼對(duì)待修補(bǔ)張量 在與之類別標(biāo)簽對(duì)應(yīng)的張量字典下進(jìn)行稀疏編碼，得到編碼系數(shù)￡k，其中表示去掉缺損部分得到張量的大小為mo Xno X9，l表示待修補(bǔ)張量的類 別標(biāo)簽，表示待修補(bǔ)張量在j模上的感知矩陣，^表示第1類張量j模字典％:在感知矩陣 3^下的字典，即= 2,3為待修補(bǔ)張量在第1類張量結(jié)構(gòu)字典下的稀疏編碼 系數(shù)，I I · I I1表示1范數(shù)，λ控制稀疏編碼系數(shù)的稀疏度； 4b)計(jì)算得到修補(bǔ)后的張量t :心=X1 D; x2 D; x3 D;; 步驟5對(duì)修補(bǔ)后的張量進(jìn)行重建： 5a)計(jì)算修補(bǔ)后的張量^在多類張量結(jié)構(gòu)字典下的重建結(jié)果右：其中，稀疏編碼系數(shù)S通過農(nóng)解得到，4為修補(bǔ)后 的張量&在第i類張量結(jié)構(gòu)字典下的稀疏編碼系數(shù)，$為修補(bǔ)后的張量匕在第i類張量結(jié)構(gòu) 字典下的重建結(jié)果； 5b)計(jì)算修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建權(quán)值：其中，^表示修補(bǔ)后的張量在第i類張量結(jié)構(gòu)字典下的權(quán)值，L表示結(jié)構(gòu)字典中分字典的 數(shù)目，Σ表示求和操作，^表示修補(bǔ)后的張量在第i類張量字典稀疏編碼的重建誤差，即5c)對(duì)修補(bǔ)后的張量在多類張量結(jié)構(gòu)字典下的重建結(jié)果$進(jìn)行加權(quán)求和，得到最終的 待修補(bǔ)張量的重建結(jié)果將重建后的張量構(gòu)成圖像，完成圖像修補(bǔ)。2.根據(jù)權(quán)利要求1所述的基于張量結(jié)構(gòu)多字典學(xué)習(xí)與稀疏編碼的圖像修補(bǔ)方法，步驟 Ib所述的將訓(xùn)練樣本集中的張量樣本分為結(jié)構(gòu)類和非結(jié)構(gòu)類，其特征在于，包括有以下步 驟： lb. 1)構(gòu)造每一個(gè)張量樣本的梯度張量2：; Ib. 2)對(duì)梯度張量：z：進(jìn)行HOSVD分解，按照下式進(jìn)行：其中A，B，C分別表示梯度張量:T在模1，模2,模3矩陣的左奇異向量構(gòu)成的字典，晝是梯 度張量T在字典A，B，C上的核心張量，P，Q，R分別表示核心張量g在一維，二維和三維方向 上的長度，gpqr表示核心張量堂在(p，q，r)位置處的值，X i表示張量的i模上的乘法，O表示向 量的外積； Ib. 3)按照下式，計(jì)算梯度張量^在方向bi，b2上的相近程度Vi，V2:其中h，b2分別表示梯度張量：〇莫2字典B中的第一個(gè)和第二個(gè)列向量； Ib.4)按照下式，計(jì)算梯度張量Z：的方向值：將方向值:小于TH的張量樣本作為非結(jié)構(gòu)類，將方向值大于TH的張量樣本作為結(jié) 構(gòu)類，其中表示梯度張量2：的方向值，VdPv2分別為梯度張量在匕，132上的相近程度； Ib.5)按照下式，計(jì)算結(jié)構(gòu)類張量樣本的角度：將結(jié)構(gòu)類張量樣本的角度α在范圍-90°~90°內(nèi)每隔10°分為一類，平均劃分為18類，得 到分類后的張量樣本，其中，α表示結(jié)構(gòu)類張量樣本的角度，π表示圓周率，I31(IWPb1U)分別 表示向量bi的前兩個(gè)值，arc tan表示反三角函數(shù)的反正切操作； Ib.6)以結(jié)構(gòu)類張量樣本對(duì)應(yīng)的梯度張量Γ的模3字典C的第一個(gè)原子(^作為特征，對(duì)在 同一結(jié)構(gòu)子類中的張量樣本進(jìn)行Κ-means聚類，將每一個(gè)結(jié)構(gòu)子類中的張量樣本再進(jìn)一步 分為K類，完成對(duì)每一個(gè)結(jié)構(gòu)類張量樣本的細(xì)分。3.根據(jù)權(quán)利要求2所述的將訓(xùn)練樣本集中的張量樣本分為結(jié)構(gòu)類和非結(jié)構(gòu)類，步驟 Ib. 1所述的構(gòu)造每一個(gè)張量樣本的梯度張量尤，其特征在于，包括有以下步驟： Ib. 1.1)計(jì)算張量樣本中的每一個(gè)圖像塊和該張量樣本中心圖像塊^的相似度：其中，山表示張量樣本中的圖像塊込與其中心圖像塊I1的相似度，h為控制圖像塊之間 相似度的平滑參數(shù)； Ib. 1.2)按照下式，計(jì)算張量樣本中每一個(gè)圖像塊Ij中每個(gè)像素在水平方向和垂直方向 上的梯度：其中，▽/)(.&，Λ)表示張量樣本的圖像塊I j中第k個(gè)點(diǎn)水平方向和垂直方向上的梯度， U，yk)表示第k個(gè)像素點(diǎn)處的坐標(biāo)，將圖像塊I沖所有像素點(diǎn)的梯度按照下面的形式構(gòu)成 梯度矩陣化，Ib. 1.3)將張量樣本中每一個(gè)圖像塊的梯度矩陣Gj分別乘以該圖像塊與該張量樣本 中心圖像塊的相似度dj，將加權(quán)后的梯度矩陣即Gj Xdj重疊成梯度張量Z，梯度張量 T(u：,j) = G ,
【文檔編號(hào)】G06T5/00GK106023098SQ201610312527
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月12日
【發(fā)明人】楊淑媛, 焦李成, 崔順, 劉紅英, 馬晶晶, 馬文萍, 侯彪, 緱水平, 曹向海, 劉志, 王夢(mèng)娜
【申請(qǐng)人】西安電子科技大學(xué)