基于压缩感知的高动态范围图像去伪影融合方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107730479A(43)申请公布日2018.02.23(21)申请号201710766426.1G06T7/30(2017.01)(22)申请日2017.08.30(71)申请人中山大学地址510275广东省广州市海珠区新港西路135号申请人广东顺德中山大学卡内基梅隆大学国际联合研究院中山大学花都产业科技研究院(72)发明人谭洪舟吴炆芳朱雄泳陈荣军谢舜道刘付康(74)专利代理机构广州粤高专利商标代理有限公司44102代理人林丽明(51)Int.Cl.G06T5/50(2006.01)权利要求书5页说明书11页附图5页(54)发明名称基于压缩感知的高动态范围图像去伪影融合方法(57)摘要本发明公开了一种基于压缩感知的高动态范围图像去伪影融合方法。首先，对输入的多曝光图像序列进行压缩采样；接着，使用重构方法进行重构得到压缩感知后的多曝光图像序列；然后归一化经过压缩感知的图像集，对图像集使用基于PatchMatch和秩最小化算法进行多曝光图像去伪影融合得到目标的高动态（highdynamicrange,HDR）图像。本发明利用K-SVD字典学习、压缩感知和去伪影融合的最新研究成果，能够有效降低采样率、存储空间和计算复杂度，得到去除伪影和模糊的HDR图像。CN107730479ACN107730479A权利要求书1/5页1.一种基于压缩感知的高动态范围图像去伪影融合方法，其特征在于包括有如下步骤：1)对输入多曝光图像序列进行分块压缩采样；2)对压缩采样后的图像块进行LDR图像序列的重构；3)对经过压缩感知后的多曝光图像序列进行高动态范围图像的去伪影融合。2.根据权利要求1所述的基于压缩感知的高动态范围图像去伪影融合方法，其特征在于，所述步骤1)的具体实现过程为：11)以当前输入的LDR图像为参考，进行K-SVD字典学习，得到用于稀疏表示的超完备字典ψ；12)对分块后的图像信号矩阵F进行稀疏表示，得到F＝ψθ，设计观测矩阵Φ，则压缩采样的过程重写为：y＝ΦF＝Φψθ＝Θθ\*MERGEFORMAT(1)。3.根据权利要求1所述的基于压缩感知的高动态范围图像去伪影融合方法，其特征在于，所述步骤11)还包括如下内容：111)判断当前的LDR图像是否为灰度图像，若不是，则转换为灰度图像，并进一步转换为double类型的图像；112)选择所需的图像分块大小，将111)中获取的灰度图像进行分块，并重排图像块为矩阵列，形成字典学习的数据集矩阵，也即待稀疏表示的信号矩阵Y，进一步将矩阵Y表示为其中N为矩阵Y的列数；113)K-SVD算法参数初始化，包括：numAtom：需要训练的字典元素个数；numIteration：迭代次数errorFlag：等于0则表示每个信号的稀疏系数个数固定，需要配置参数L；否则表示信号的稀疏系数不固定，需要配置参数errorGoal；errorGoal：最大允许表示误差preserveDCAtom：等于1则表示字典的第一个原子为常量；InitializationMethod：若为“DataElements”则用信号本身作为初始字典，若为“GivenMatrix”则用给定的矩阵作为初始字典，并对初始字典进行归一化处理，初始字典表示为ψ(0)∈RN×K；初始化算法迭代次数J＝1；114)稀疏编码阶段：使用正交匹配追踪算法OMP来计算Y中每一个列向量在当前字典上的稀疏表示所对应的系数向量xi，通过求解下式中的目标函数：其中为由系数向量所构成的矩阵，i表示列向量的索引，||||F为Frobenius范数，||||0为l0范数，T0为稀疏表示稀疏中非零分量的数目的上限，即系数向量中的最大差异度；115)字典更新阶段：初始字典往往不是最优的，满足稀疏性的稀疏矩阵表示的数据和原数据可能会有比较大的误差，因此需在满足稀疏的条件下逐行逐列进行字典的更新优2CN107730479A权利要求书2/5页化，减小整体误差，逼近最优字典，对于ψ(J-1)中的每一列k＝1,2,...K，定义使用到字典中第k个原子ψk的所有信号集合{yi}的索引所构成的集合为：其中为系数矩阵X中原子ψk所对应的第k行，不同于X的第k列xk的转置，则目标函数式(2)重写为：上式中，字典与系数矩阵的乘积ψX被分解为K个秩为1的矩阵的和的形式，当前更新的矩阵列为第k列，则其余K-1个项固定，剥离第k个原子的贡献，得到的矩阵Ek为去除原子ψk的成分其余原子所造成的误差；116)由于中0的存在，用SVD得到的更新向量中的非零元素的数量和位置和原中的都不相同，即产生了“发散”，因此需要去除中所有0元素，定义矩阵Ωk为N×ωk的矩阵，它在(ωk(i),i)处的值为1，其他位置上的值都为0，则我们定义Y、