CN105447836A - 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 - Google Patents
一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 Download PDFInfo
- Publication number
- CN105447836A CN105447836A CN201511026701.3A CN201511026701A CN105447836A CN 105447836 A CN105447836 A CN 105447836A CN 201511026701 A CN201511026701 A CN 201511026701A CN 105447836 A CN105447836 A CN 105447836A
- Authority
- CN
- China
- Prior art keywords
- image
- sparse
- clustering
- cluster centre
- centre
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008878 coupling Effects 0.000 title claims abstract description 6
- 238000010168 coupling process Methods 0.000 title claims abstract description 6
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法,包括下述步骤:对待噪图像,利用kmeans聚类,产生各类;构建各类对应的紧致PCA字典;利用Dong等提出的方法构造类内图像片稀疏编码误差项;计算各类中心图片;利用聚类中心字典学习,分析类间相关性,得到各聚类中心的稀疏表示:构造聚类中心误差项;耦合聚类中心误差项,类内稀疏编码误差项于传统稀疏表示模型;利用梯度下降法求解。本发明通过提出聚类中心字典学习方法,挖掘各相似集或各类间潜在的稀疏性先验知识,构建聚类中心约束项,以增强图像稀疏表示,并联合该项与稀疏误差项,将二者引入于传统的稀疏表示模型,最终实现图像去噪。
Description
技术领域
本发明属于稀疏表示图像处理领域,尤其是涉及一种基于类间相关分析的非局部稀疏表示模型,用以实现图像去噪。
背景技术
在图像获取与传输过程中,由于***和环境等因素影响,所得图像带有大量噪声。实际应用中,图像去噪可得到高质量图像,以支撑后续处理等。理论层次上,图像去噪方法的研究还与图像建模理论研究有着密切的联系,可为相关图像处理方法,如图像去模糊,图像超分辨率,图像分割以及图像特征提取等研究提供新思路。图像去噪是图像处理和计算机视觉中经久不衰的研究领域。
图像去噪常常被视为反问题,由于其自身的不适定性,为获得理想的去噪结果,图像先验知识建模(图像建模)研究成为了该领域的焦点。主流方法可分大致分为3类:(1)基于梯度的图像建模;(2)基于非局部相似性的图像建模;(3)基于变换的图像建模。目前研究表明基于变换的方法能取得相对较好的图像去噪结果。
作为基于变换的一类去噪方法,稀疏表示图像去噪引起了学者们的广泛关注。在稀疏表示理论中,字典的设计和字典自身性能是一个关键的问题。针对图像的局部几何结构,学者们提出了Curvelet,Contourlet,Wedgelet,Bandlet等多尺度几何分析变换方法,这些方法对某些特定类型的图像结构描述准确,但对复杂图像通常存在不足,此外这类方法需事先给定稀疏字典,即字典非自适应于图像内容。为此,设计自适应稀疏表述字典成为了热点。
Elad等人较早建立了基于超完备字典的稀疏表示模型。假设信号f∈Rn,它可表示成字典中少量元素的线性组合,即f≈Φα,其中,Φ∈Rn×L(L>n)是一个超完备字典,每一列表示一个信号原子,向量α为只有少部分元素不为零的稀疏编码,即该模型通过字典中少量元素的线性组合来描述信号。目前,基于稀疏表示研究主要在2个方向:1)基于原子间相关约束的稀疏表示;2)非局部稀疏表示。
传统的稀疏表示方法假定自适应字典各原子间相互独立,而最新研究表明原子间存在一定关联,反映了图像几何结构。Peleg等利用玻尔兹曼机(BolzmannMachine,BM)模型,分析了图像片内对应原子间(非零稀疏系数对应的原子)的相关性,增强了图像的稀疏性表示。基于上述方法,Ren等研究了邻域图像块(相邻8个方向)原子间的相关性,构造了邻域相关结构信息的稀疏性先验模型,取得了较好得去噪结果。Ren方法可视为小窗口内的准非局部稀疏表示方法。
非局部稀疏表示方法实质是利用图像非局部建模思想对图像稀疏性的一种约束。最近,Dong等利用了非局部思想,提出了稀疏编码噪声(误差)的概念,通过相似集中各图像片的稀疏系数,估计了当前图像片理想的稀疏表示,引入了稀疏编码误差约束项,提出了一种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类,偏重于对各相似集内稀疏性描述。
发明内容
为了解决上述问题,本发明通过提出聚类中心字典学习方法,挖掘各相似集或各类间潜在的稀疏性先验知识,构建聚类中心约束项,以增强图像稀疏表示,并联合该项与稀疏误差项,将二者引入于传统的稀疏表示模型,最终实现图像去噪。
本发明首先提出了聚类中心字典学习方法,其流程图如图1所示,包括如下步骤:
步骤A,用传统方法稀疏表示聚类中心图像块;
步骤B,根据稀疏表示结果与字典,生成稀疏性模式(稀疏性模式标记了图像块对应的稀疏系数是否为0);
步骤C,根据各模块稀疏性模式与相似块快速查找表,构造相关性函数,继而构造相关性矩阵,其中相似性快速查找表记录了与当前图像块最相似的N个图像块;
步骤D,根据相关性矩阵构造基于相关分析的稀疏性先验模型;
步骤E,建立稀疏性模式先验分布模型;
步骤F,利用最大后验概率估计方法估计稀疏性模式,用以生成新的聚类中心图像片。
基于上述聚类中心字典学习方法,本发明提供了一种耦合聚类中心约束的非局部系数表示图像去噪方法,流程图如图2所示,包括如下步骤:
步骤A,对待噪图像,利用kmeans聚类,产生各类;
步骤B,构建各类对应的紧致PCA字典;
步骤C,构造类内图像片稀疏编码误差项;
步骤D,计算各类中心图片;
步骤E,利用聚类中心字典学习,分析类间相关性,得到各聚类中心的稀疏表示;
步骤F,构造聚类中心误差项;
步骤G,耦合聚类中心误差项,类内稀疏编码误差项于传统稀疏表示模型;
步骤H,利用梯度下降法求解。
有益效果:
与现有技术相比,本发明能够有效提升图像去噪效果,并能够提高聚类的准确性。
附图说明
图1为本发明流程图;
图2为聚类中心字典学习方法流程图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明通过下述步骤实现耦合聚类中心约束的非局部稀疏表示的图像去噪,如图1所示:
步骤A,对待噪图像,利用kmeans聚类,产生各类(相似集);
步骤B,构建各类对应的紧致PCA字典;
步骤C,利用Dong等提出的方法构造类内图像片稀疏编码误差项;
步骤D,计算各类中心图片;
步骤E,利用聚类中心字典学习,分析类间相关性,得到各聚类中心的稀疏表示,本步骤具体过程如图2所示,具体包括以下步骤:
用传统方法稀疏表示聚类中心图像块;
根据稀疏表示结果与字典,生成稀疏性模式(稀疏性模式标记了图像块对应的稀疏系数是否为0);
根据各模块稀疏性模式与相似块快速查找表,构造相关性函数,继而构造相关性矩阵,其中相似性快速查找表记录了与当前图像块最相似的N个图像块;
根据相关性矩阵构造基于相关分析的稀疏性先验模型;
建立稀疏性模式先验分布模型;
利用最大后验概率估计方法估计稀疏性模式,用以生成新的聚类中心图像片。
步骤F,构造聚类中心误差项;
步骤G,耦合聚类中心误差项,类内稀疏编码误差项于传统稀疏表示模型;
步骤H,利用梯度下降法求解。
采用上述方法处理后的图像去噪效果好,聚类准确性高。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (2)
1.一种耦合聚类中心约束的非局部稀疏表示图像去噪方法,其特征在于,包括如下步骤:
步骤A,对待噪图像,利用kmeans聚类,产生各类;
步骤B,构建各类对应的紧致PCA字典;
步骤C,利用Dong等提出的方法构造类内图像片稀疏编码误差项;
步骤D,计算各类中心图片;
步骤E,利用聚类中心字典学习,分析类间相关性,得到各聚类中心的稀疏表示:
步骤F,构造聚类中心误差项;
步骤G,耦合聚类中心误差项,类内稀疏编码误差项于传统稀疏表示模型;
步骤H,利用梯度下降法求解。
2.根据权利要求1所述的耦合聚类中心约束的非局部稀疏表示图像去噪方法,其特征在于,所述步骤E包括如下步骤:
用传统方法稀疏表示聚类中心图像块;
根据稀疏表示结果与字典,生成稀疏性模式;
根据各模块稀疏性模式与相似块快速查找表,构造相关性函数,继而构造相关性矩阵,其中相似性快速查找表记录了与当前图像块最相似的N个图像块;
根据相关性矩阵构造基于相关分析的稀疏性先验模型;
建立稀疏性模式先验分布模型;
利用最大后验概率估计方法估计稀疏性模式,用以生成新的聚类中心图像片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511026701.3A CN105447836B (zh) | 2015-12-30 | 2015-12-30 | 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511026701.3A CN105447836B (zh) | 2015-12-30 | 2015-12-30 | 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447836A true CN105447836A (zh) | 2016-03-30 |
CN105447836B CN105447836B (zh) | 2018-12-21 |
Family
ID=55557970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511026701.3A Active CN105447836B (zh) | 2015-12-30 | 2015-12-30 | 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447836B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976410A (zh) * | 2016-05-05 | 2016-09-28 | 南京信息工程大学 | 一种基于非线性预测稀疏编码的单幅图像超分辨率快速重建方法 |
CN106169180A (zh) * | 2016-07-13 | 2016-11-30 | 桂林电子科技大学 | 一种基于组的非局部稀疏表示加性噪声去除方法 |
CN107145847A (zh) * | 2017-04-26 | 2017-09-08 | 鲁东大学 | 基于中心字典的遥感图像识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295197A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于字典学习和双边正则的图像超分辨率重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
-
2015
- 2015-12-30 CN CN201511026701.3A patent/CN105447836B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295197A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于字典学习和双边正则的图像超分辨率重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
WEISHENG DONG等: "Nonlocally Centralized Sparse Representation for Image Restoration", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976410A (zh) * | 2016-05-05 | 2016-09-28 | 南京信息工程大学 | 一种基于非线性预测稀疏编码的单幅图像超分辨率快速重建方法 |
CN106169180A (zh) * | 2016-07-13 | 2016-11-30 | 桂林电子科技大学 | 一种基于组的非局部稀疏表示加性噪声去除方法 |
CN107145847A (zh) * | 2017-04-26 | 2017-09-08 | 鲁东大学 | 基于中心字典的遥感图像识别方法 |
CN107145847B (zh) * | 2017-04-26 | 2019-10-18 | 鲁东大学 | 基于中心字典的遥感图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105447836B (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287849B (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
CN109035251B (zh) | 一种基于多尺度特征解码的图像轮廓检测方法 | |
CN103455991B (zh) | 一种多聚焦图像融合方法 | |
CN109410146A (zh) | 一种基于Bi-Skip-Net的图像去模糊算法 | |
CN110060286B (zh) | 一种单目深度估计方法 | |
CN108805223B (zh) | 一种基于Incep-CapsNet网络的篆文识别方法及*** | |
CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN105184744A (zh) | 基于标准化稀疏度量图像块先验的模糊核估计方法 | |
CN104462199A (zh) | 一种网络环境下的近似重复图像搜索方法 | |
CN104077742B (zh) | 基于Gabor特征的人脸素描合成方法及*** | |
CN106780450A (zh) | 一种基于低秩多尺度融合的图像显著性检测方法 | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN105447836A (zh) | 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 | |
CN109859131A (zh) | 一种基于多尺度自相似性与共形约束的图像复原方法 | |
CN105590296B (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
CN102542543A (zh) | 基于块相似性的交互式图像分割方法 | |
CN106952267B (zh) | 三维模型集共分割方法及装置 | |
CN104809478A (zh) | 一种面向大规模三维重建的图像分块方法及装置 | |
CN102663453B (zh) | 基于第二代条带波变换和极速学习机的人体运动跟踪方法 | |
CN117078921A (zh) | 一种基于多尺度边缘信息的自监督小样本汉字生成方法 | |
CN108121965B (zh) | 基于鲁棒联合稀疏特征提取的图像识别方法 | |
CN104123707A (zh) | 一种基于局部秩先验的单幅图像超分辨率重建方法 | |
Huang et al. | Remote sensing data detection based on multiscale fusion and attention mechanism | |
CN105469371A (zh) | 一种基于双字典学习的非局部稀疏表示图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: Room 420, block C, Kechuang headquarters building, 320 pubin Road, Jiangpu street, Pukou District, Nanjing City, Jiangsu Province, 211800 Patentee after: Nanjing University of Information Science and Technology Address before: 210044 No. 219, Ning six road, Nanjing, Jiangsu Patentee before: Nanjing University of Information Science and Technology |
|
CP02 | Change in the address of a patent holder |