[发明专利]基于双层分块提取框架的图像修复方法

说明书

基于双层分块提取框架的图像修复方法，双层分块提取框架先对当前破损图像进行第一次块分解，随后对每一个单块进行第二次分块，而第一次分解后的每个单块作为一个修复对象，然后利用并行运算对每个单块进行单独修复，最后再将所有修复单块进行整合，完成最后图像修复。而改进的字典更新框架，则是针对K‑SVD图像修复算法的字典更新阶段，利用Closed‑form解对训练得到的字典进行再一次更新。本发明提出的双层分块提取框架和改进的K‑SVD字典更新算法可以提高破损图像的修复效果，修复后图像在细节方面更加清晰，同时由于并行运算提高了图像的修复效率。本发明并不仅限于图像修复领域，双层分块提取框架可应用于任何其他的图像处理领域，具有十分广泛的应用前景。

技术领域：

本发明涉及计算机图像修复方法。

背景技术：

数字图像修复的主要思想是利用图像中的已知信息来对破损区域进行填充修补，使修复后的图像满足人类的视觉要求。数字图像修复技术现已应用于众多领域,在医学领域中,用以还原成像缺失或者模糊的医学图像，辅助医生诊断病情。还可以用于视频处理当中，如协助警察抓捕罪犯。

如何利用破损图像已知信息是解决图像修复问题的核心。比较具有代表性的三类算法分别是基于偏微分方程(PDE:Partial Differential Equations)的图像修复模型、基于纹理合成的图像修复模型和基于稀疏表示的图像修复模型。基于稀疏表示的图像修复模型的核心主要分为2个过程，一个是字典的产生和选择，另一个是怎样求解最稀疏解。而学习型字典基于大量的学习样本，通过学习对象信号的特征，然后求解针对当前信号的最稀疏解，并进一步对字典进行更新，通过循环迭代后得到最终优化后的字典。学习型字典突破了固定字典的适应性局限，且能取得更好的修复效果，但是这类字典训练需要大量的时间作为代价。目前比较常用的学习型字典训练算法有MOD字典训练算法，K-SVD字典训练算法以及在线字典训练算法等。

在基于稀疏表示的图像修复模型中，如果将整张图像作为输入，那么其设计的字典维度将会很大，从而增加了修复算法的复杂度和计算量。因此图像一般会采取分块操作，把整张图像按一定大小的块模板进行分块处理。传统的取块方法是利用取块模板对图片以不重叠提取的方式进行取块，但是不重叠取块会导致修复后的图像存在块边界效应。而后又提出对图像进行重叠提取图像块，目前比较常用的是完全重叠提取。相邻的图像块之间存在相同的重复信息，重叠的部分只需要在所有图像块修复后，除以权重值进行平均操作后放回原图像相应区域内，完全重叠提取操作可以进一步提高图像的修复性能，也有效避免了块效应现象。但是当整张图像经过完全重叠提取后得到图像数据是一个列数非常大的矩阵，如一张256×256的图像，进行8×8完全重叠操作后得到的数据矩阵为64×62001。如果把整个矩阵作为图像修复模型的输入，仍然会导致模型计算量的增大。

发明内容：

本发明为克服现有技术的上述不足之处，提出了基于双层分块提取框架的图像修复方法。

本发明提出的双层分块提取框架，能够减少每次字典训练的数据量，加快训练速度。同时提出了改进的字典更新框架，利用字典优化Closed-form解对训练得到的字典进行再次更新，然后将这两个框架结合用以改进K-SVD图像修复算法。在双层分块提取框架下，改进的K-SVD图像修复算法相较于已有算法不仅在性能上有了很大的提高，修复结果在细节上更加清晰，而且由于可以采用并行运算，加快了图像修复速度。本发明技术方案如下：

一种基于双层分块提取框架的改进K-SVD图像修复方法，包括下列步骤：

(1)双层分块提取和整合框架

(a)双层分块提取第一阶段：设破损图像P∈R^L×L，选择取块模板大小为N×N进行第一次分块，而取块时块与块之间的间隔设为△₁(△₁≤N)。取块的顺序是一列一列移动取块模板或者一行一行移动取块模板。对于图片P∈R^L×L经过第一阶段的取块后形成的图像块集合为