CN111598798A - 一种基于低秩张量链分解的图像修复方法 - Google Patents
一种基于低秩张量链分解的图像修复方法 Download PDFInfo
- Publication number
- CN111598798A CN111598798A CN202010345730.0A CN202010345730A CN111598798A CN 111598798 A CN111598798 A CN 111598798A CN 202010345730 A CN202010345730 A CN 202010345730A CN 111598798 A CN111598798 A CN 111598798A
- Authority
- CN
- China
- Prior art keywords
- tensor
- image
- image restoration
- rank
- norm
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 4
- 230000016776 visual perception Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于低秩张量链分解的图像修复方法,包括获取破损的观测图像,确定破损图像中待修复区域的所有未知像素点的集合Ω;构建一种基于低秩张量核范数链分解的图像修复模型TNN‑TT,引入全变分,构造加权张量Schatten P范数并作为张量秩的非凸松弛,构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复模型WTSTV‑TT,引入辅助变量,优化所述图像修复模型,采用ADMM算法求解,获得修复后的图像。本发明考虑了图像的低秩张量特性,相关性和局部平滑性,有良好的图像修复效果。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于低秩张量链分解的图像修复方法。
背景技术
随着人类社会的进步以及科技的发展,人们每天通过数字媒介获取数以亿计的信息,包括图像、语音以及文本等。据统计,人类获取的信息约75%是通过视觉感知***获得的。图像作为视觉传输的主要载体之一,在人们进行交流通信以及视觉感知过程中起着至关重要的作用。
图像在获取、存储与传输过程中不可避免地丢失一些信息,例如在获取遥感图像时,由于传感器损坏或者天气影响等因素使得获取的遥感图像出现条带噪声或者有用信息被云层遮挡等。图像修复是指对受到损坏的图像进行修复重建或去除图像中的多余物体,图像修复已成为在图像后续应用前必不可少的预处理步骤。
围绕图像的修复问题,国内外研究者们提出了很多的修复方法。第一类是基于低秩性的方法。高维图像可以看作一个天然的张量,利用所有维度的低秩性能有效恢复图像。第二类是基于局部平滑性的方法。除了低秩先验,而实际图像数据常常表现出分段光滑的性质。全变分(Total Variation,TV)能够很好地刻画分段光滑的性质,并且被证明其在图像复原中表现优异。第三类是基于相关性的方法。张量虽然能够比矩阵更详细地记录高维图像各维度的信息,但如何定义精确刻画各维度相关性的仍是一个开放问题,经典的张量分解方法有CP分解,Tucker分解和张量链分解(Tensor Train decomposition,TT)。
发明内容
为进一步提高图像修复的效果,本发明提供了一种基于低秩张量链分解的图像修复方法。
本发明解决其技术问题所采取的技术方案如下:
一种基于低秩张量链分解的图像修复方法,所述方法包括以下步骤:
步骤1)获取破损的观测图像,确定破损图像中待修复区域的所有未知像素点的集合Ω;
步骤2)考虑图像张量所有维度的低秩性和相关性,结合张量核范数和张量链分解,构建一种基于低秩张量核范数链分解的图像修复模型,记为TNN-TT模型;
步骤3)引入能够很好地刻画分段光滑性,并且被证明其在图像复原中表现优异的全变分,以TNN-TT模型为框架,构造加权张量Schatten P范数并作为张量秩的非凸松弛,构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复模型,记为WTSTV-TT模型;
进一步,所述步骤2)的处理过程如下:
首先,考虑图像所有维度的低秩性,所采用的张量核范数定义如下:
又考虑图像的相关性,采用的张量链分解的定义如下:
进而构建一种基于低秩张量核范数链分解的图像修复TNN-TT模型:
进一步,所述步骤3)的处理过程如下:
引入能够很好地刻画分段光滑性,并且被证明其在图像复原中表现优异的全变分,全变分的定义如下:
TV(x)=∑i=1∑j=1|x(i,j)| (4)
其中,|·|表示L2范数,x(i,j)表示图像中的像素值;
下面定义第i层矩阵的加权Schatten P范数:
进而构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复WTSTV-TT模型:
进一步,所述步骤4)的处理过程如下:
进一步,所述步骤5)的处理过程如下:
其中,μ2是惩罚系数,Φ是拉格朗日乘子;
其中,μ3是惩罚系数,Γ是拉格朗日乘子;
(5-4)建立χ在ADMM算法下的子问题:
其中,μ4是惩罚系数,Ψ是拉格朗日乘子;
(5-5)更新拉格朗日乘子:
(5-6)更新惩罚系数:
μ1=κμ1,μ2=κμ2,μ3=κμ3,μ4=κμ4 (14)
其中,k∈[1,1.5]是个常数。
本发明的有益效果是:(1)考虑了图像的低秩张量特性和相关性(2)考虑了图像的局部平滑性(3)有良好的图像修复效果。
附图说明
图1是本发明的图像张量链分解的示意图;
图2是本发明方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
一种基于低秩张量链分解的图像修复方法,所述方法包括以下步骤:
步骤1)获取破损的观测图像,确定破损图像中待修复区域的所有未知像素点的集合Ω;
步骤2)考虑图像张量所有维度的低秩性和相关性,结合张量核范数和张量链分解,构建一种基于低秩张量核范数链分解的图像修复模型,记为TNN-TT模型;
步骤3)引入能够很好地刻画分段光滑性,并且被证明其在图像复原中表现优异的全变分,以TNN-TT模型为框架,构造加权张量Schatten P范数并作为张量秩的非凸松弛,构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复模型,记为WTSTV-TT模型;
进一步,所述步骤2)的处理过程如下:
首先,考虑图像所有维度的低秩性,所采用的张量核范数定义如下:
考虑图像的相关性,采用的张量链分解的定义如下:
进而构建一种基于低秩张量核范数链分解的图像修复TNN-TT模型:
进一步,所述步骤3)的处理过程如下:
引入能够很好地刻画分段光滑性,并且被证明其在图像复原中表现优异的全变分,全变分的定义如下:
TV(x)=∑i=1∑j=1|x(i,j)| (4)
其中,|·|表示L2范数,x(i,j)表示图像中的像素值;
下面定义第i层矩阵的加权Schatten P范数:
进而构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复WTSTV-TT模型:
进一步,所述步骤4)的处理过程如下:
进一步,所述步骤5)的处理过程如下:
其中,μ2是惩罚系数,Φ是拉格朗日乘子;
其中,μ3是惩罚系数,Γ是拉格朗日乘子;
(5-4)建立χ在ADMM算法下的子问题:
其中,μ4是惩罚系数,Ψ是拉格朗日乘子;
(5-5)更新拉格朗日乘子:
(5-6)更新惩罚系数:
μ1=κμ1,μ2=κμ2,μ3=κμ3,μ4=κμ4 (14)
其中,k∈[1,1.5]是个常数。
本发明考虑了图像的低秩张量特性,相关性和局部平滑性,有良好的图像修复效果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种基于低秩张量链分解的图像修复方法,包括以下步骤:
步骤1)获取破损的观测图像,确定破损图像中待修复区域的所有未知像素点的集合Ω;
步骤2)考虑图像张量所有维度的低秩性和相关性,结合张量核范数和张量链分解,构建一种基于低秩张量核范数链分解的图像修复模型,记为TNN-TT模型。
步骤3)引入能够很好地刻画分段光滑性,并且被证明其在图像复原中表现优异的全变分,以TNN-TT模型为框架,构造加权张量Schatten P范数并作为张量秩的非凸松弛,构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复模型,记为WTSTV-TT模型;
步骤5)采用ADMM算法求解所述图像修复优化模型,获得修复后的图像。
3.如权利要求1所述的一种基于低秩张量链分解的图像修复方法,其特征在于,所述步骤3)构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复WTSTV-TT模型的方法为:
首先,定义第i层矩阵的加权Schatten P范数:
其中,p(0≤p≤1)为Schatten-p范数的参数;
进而构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复WTSTV-TT模型:
5.如权利要求1所述的一种基于低秩张量链分解的图像修复方法,其特征在于,所述步骤5)采用ADMM算法求解所述图像优化修复模型的方法为:
其中,μ2是惩罚系数,Φ是拉格朗日乘子;
其中,μ3是惩罚系数,Γ是拉格朗日乘子;
其中,μ4是惩罚系数,Ψ是拉格朗日乘子;
(5-5)更新拉格朗日乘子:
(5-6)更新惩罚系数:
μ1=κμ1,μ2=κμ2,μ3=κμ3,μ4=κμ4 (11)
其中,k∈[1,1.5]是个常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345730.0A CN111598798B (zh) | 2020-04-27 | 2020-04-27 | 一种基于低秩张量链分解的图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345730.0A CN111598798B (zh) | 2020-04-27 | 2020-04-27 | 一种基于低秩张量链分解的图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598798A true CN111598798A (zh) | 2020-08-28 |
CN111598798B CN111598798B (zh) | 2023-09-05 |
Family
ID=72190828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010345730.0A Active CN111598798B (zh) | 2020-04-27 | 2020-04-27 | 一种基于低秩张量链分解的图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598798B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465713A (zh) * | 2020-11-24 | 2021-03-09 | 北京大学 | 基于流形优化的张量低秩模型非平滑三维图像补全方法 |
CN113077403A (zh) * | 2021-04-22 | 2021-07-06 | 河北工业大学 | 基于局部数据块的张量增强技术的彩色图像重建方法 |
CN113468471A (zh) * | 2021-05-19 | 2021-10-01 | 北京工业大学 | 基于张量型加权Schatten-p范数的交通数据修复方法 |
CN114119426A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 非局部低秩转换域与全连接张量分解图像重构方法及装置 |
CN116931619A (zh) * | 2023-09-13 | 2023-10-24 | 深圳英谷激光有限公司 | 一种激光器的温度控制方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN104123702A (zh) * | 2014-07-08 | 2014-10-29 | 浙江传媒学院 | 一种基于交替方向法的高效图像修复方法 |
US20170076180A1 (en) * | 2015-09-15 | 2017-03-16 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Processing Images using Online Tensor Robust Principal Component Analysis |
CN108510013A (zh) * | 2018-07-02 | 2018-09-07 | 电子科技大学 | 基于低秩核心矩阵的改进稳健张量主成分分析方法 |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
CN109299725A (zh) * | 2018-07-27 | 2019-02-01 | 华中科技大学鄂州工业技术研究院 | 一种基于张量链并行实现高阶主特征值分解的预测***和装置 |
CN109978783A (zh) * | 2019-03-19 | 2019-07-05 | 上海交通大学 | 一种彩色图像修复方法 |
CN110223243A (zh) * | 2019-05-05 | 2019-09-10 | 李晓彤 | 基于张量的非局部自相似和低秩正则的张量修复方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
US20190346523A1 (en) * | 2018-05-08 | 2019-11-14 | Cedars-Sinai Medical Center | Low-rank tensor imaging for quantitative mri |
-
2020
- 2020-04-27 CN CN202010345730.0A patent/CN111598798B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN104123702A (zh) * | 2014-07-08 | 2014-10-29 | 浙江传媒学院 | 一种基于交替方向法的高效图像修复方法 |
US20170076180A1 (en) * | 2015-09-15 | 2017-03-16 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Processing Images using Online Tensor Robust Principal Component Analysis |
US20190346523A1 (en) * | 2018-05-08 | 2019-11-14 | Cedars-Sinai Medical Center | Low-rank tensor imaging for quantitative mri |
CN108510013A (zh) * | 2018-07-02 | 2018-09-07 | 电子科技大学 | 基于低秩核心矩阵的改进稳健张量主成分分析方法 |
CN109299725A (zh) * | 2018-07-27 | 2019-02-01 | 华中科技大学鄂州工业技术研究院 | 一种基于张量链并行实现高阶主特征值分解的预测***和装置 |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
CN109978783A (zh) * | 2019-03-19 | 2019-07-05 | 上海交通大学 | 一种彩色图像修复方法 |
CN110223243A (zh) * | 2019-05-05 | 2019-09-10 | 李晓彤 | 基于张量的非局部自相似和低秩正则的张量修复方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
Non-Patent Citations (5)
Title |
---|
SHUSHU MENG ETAL: "Tensor_Decomposition_and_PCA_Jointed_Algorithm_for_Hyperspectral_Image_Denoising", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS * |
刘小花;唐贵进;: "基于张量低秩和TV正则化的图像超分辨率重建", 软件导刊, no. 12 * |
张志伟等: "一种应用于高阶数据修复的非负稀疏Tucker分解算法", 光电子· 激光 * |
张衡敏: "低秩矩阵近似与优化问题研究进展", 《模式识别与人工智能》 * |
白敏茹;黄孝龙;顾广泽;赵雪莹;: "基于张量秩校正的图像恢复方法", 湖南大学学报(自然科学版), no. 10 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465713A (zh) * | 2020-11-24 | 2021-03-09 | 北京大学 | 基于流形优化的张量低秩模型非平滑三维图像补全方法 |
CN112465713B (zh) * | 2020-11-24 | 2022-07-01 | 北京大学 | 基于流形优化的张量低秩模型非平滑三维图像补全方法 |
CN113077403A (zh) * | 2021-04-22 | 2021-07-06 | 河北工业大学 | 基于局部数据块的张量增强技术的彩色图像重建方法 |
CN113468471A (zh) * | 2021-05-19 | 2021-10-01 | 北京工业大学 | 基于张量型加权Schatten-p范数的交通数据修复方法 |
CN113468471B (zh) * | 2021-05-19 | 2024-05-24 | 北京工业大学 | 基于张量型加权Schatten-p范数的交通数据修复方法 |
CN114119426A (zh) * | 2022-01-26 | 2022-03-01 | 之江实验室 | 非局部低秩转换域与全连接张量分解图像重构方法及装置 |
CN116931619A (zh) * | 2023-09-13 | 2023-10-24 | 深圳英谷激光有限公司 | 一种激光器的温度控制方法及*** |
CN116931619B (zh) * | 2023-09-13 | 2024-01-09 | 深圳英谷激光有限公司 | 一种激光器的温度控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111598798B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598798A (zh) | 一种基于低秩张量链分解的图像修复方法 | |
Dong et al. | Physics-based feature dehazing networks | |
CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
WO2023092813A1 (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及*** | |
CN111242846B (zh) | 基于非局部增强网络的细粒度尺度图像超分辨率方法 | |
CN110689495B (zh) | 一种深度学习的图像修复方法 | |
CN105513026A (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN113222834B (zh) | 一种基于平滑约束和矩阵分解的视觉数据张量补全方法 | |
CN114066747B (zh) | 一种基于光照和反射互补性的低照度图像增强方法 | |
CN111402138A (zh) | 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法 | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
CN114842034B (zh) | 一种基于放大模糊操作痕迹的图片真假检测方法 | |
CN116797461A (zh) | 基于多级强化注意力机制的双目图像超分辨率重建方法 | |
CN115293966A (zh) | 一种人脸图像重建方法、装置以及存储介质 | |
CN109409230B (zh) | 一种空地数据互增强的震前热异常自动分级方法 | |
CN113240581A (zh) | 一种针对未知模糊核的真实世界图像超分辨率方法 | |
CN117218013A (zh) | 事件相机图像处理方法、训练方法、***、设备及介质 | |
CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
CN108492264B (zh) | 一种基于sigmoid变换的单帧图像快速超分辨方法 | |
CN115861108A (zh) | 一种基于小波自注意力生成对抗网络的图像修复方法 | |
CN113487512B (zh) | 一种基于边缘信息指导的数字图像修复方法及装置 | |
CN113487512A (zh) | 一种基于边缘信息指导的数字图像修复方法及装置 | |
CN115861099B (zh) | 一种引入物理成像先验知识约束的卫星云图图像复原方法 | |
Guo et al. | Image Denoising and Colorization Based on Plug and Play Framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |