[发明专利]基于混合稀疏先验模型的图像复原方法

权利要求书

1.一种自然图像复原方法，包括如下步骤：

(1)设置退化图像y，初始化复原图像x⁽⁰⁾＝H^Ty，其中H表示退化算子，设置循环次数t＝0,1,2,...,M，M最大循环次数取值为100；

(2)构造一个12层卷积神经网络，并对其进行训练，用训练好的卷积神经网络计算初始复原图像x⁽⁰⁾的初步估计值

(3)根据初步估计值计算稀疏特征图初步估计值：其中w_k为卷积滤波器，*表示卷积操作，k＝1,2,...,P，P为稀疏特征图的数量；

(4)对初始复原图像x⁽⁰⁾的初步估计进行分块，并对每一个块进行相似块的寻找，得到L个与相似的图像块计算相似块的权重，其中c表示尺度常数，h表示归一化常数，表示二范数操作；

(5)利用相似块及权重计算稀疏特征图非局部估计块：并将进行拼接得到稀疏特征图非局部估计其中表示的第i个块；

(6)根据稀疏特征图非局部估计计算稀疏特征图先验估计：其中0＜ξ＜1为一个预定义的常数；

(7)基于已有的解析稀疏编码模型，根据所求得的稀疏特征图先验估计μ_k，构建求解复原图像x和稀疏特征图z_k的目标函数：

其中，η表示重构误差项的权重，λ表示先验项的权重，表示F范数操作，||·||₁表示一范数操作，表示目标函数取得最小值时x和z_k所取得的值，求解z_k和x的过程是一个交替计算z_k和x的步骤，分别描述在(8)和(9)中；

(8)记x^(t)表示第t次循环时的复原图像值，根据(7)中的目标函数得到计算第t次循环时稀疏特征图z_k的稀疏特征图：其中soft为软阈值函数，λ为先验项的权重，当t＝0时，(1)中给出了x⁽⁰⁾＝H^Ty，当t0时，x^(t)取上一次循环(9)中的x^(t+1)；

(9)根据(7)中的目标函数，计算第t+1次循环时的复原图像值x^(t+1)：

其中(·)^-1代表矩阵求逆操作，(·)^T代表矩阵转置操作；

(10)循环执行步骤(8)-(9)共M次，直到x^(t+1)收敛，输出最终的复原图像x。

2.根据权利要求1所述的方法，其中步骤(1)中设置的退化图像y，包括噪声退化图像、低分辨退化图像、模糊退化图像。

3.根据权利要求2所述的方法，其中噪声退化图像的设置，是在数据库中随机选取一张真实图像，先构造一个与真实图像维度相同的高斯随机数矩阵，再将高斯随机数矩阵与真实图像相加，得到噪声退化图像。

4.根据权利要求2所述的方法，其中低分辨退化图像的设置，是在数据库中随机选取一张真实图像，并对该真实图像进行下采样操作，得到低分辨退化图像。

5.根据权利要求2所述的方法，其中模糊退化图像的设置，是在数据库中随机选取一张真实图像，利用模糊卷积核对该真实图像进行卷积操作，先构造一个与真实图像维度相等的高斯随机数矩阵，再将卷积操作的结果与所构造的高斯随机数矩阵相加，得到模糊退化图像。