留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

特征聚类的局部敏感稀疏图像修复

薛俊韬 倪晨阳 杨斯雪

薛俊韬, 倪晨阳, 杨斯雪. 特征聚类的局部敏感稀疏图像修复[J]. 红外与激光工程, 2018, 47(11): 1126001-1126001(9). doi: 10.3788/IRLA201847.1126001
引用本文: 薛俊韬, 倪晨阳, 杨斯雪. 特征聚类的局部敏感稀疏图像修复[J]. 红外与激光工程, 2018, 47(11): 1126001-1126001(9). doi: 10.3788/IRLA201847.1126001
Xue Juntao, Ni Chenyang, Yang Sixue. Image inpainting based on feature clustering and locality-sensitive sparse representation[J]. Infrared and Laser Engineering, 2018, 47(11): 1126001-1126001(9). doi: 10.3788/IRLA201847.1126001
Citation: Xue Juntao, Ni Chenyang, Yang Sixue. Image inpainting based on feature clustering and locality-sensitive sparse representation[J]. Infrared and Laser Engineering, 2018, 47(11): 1126001-1126001(9). doi: 10.3788/IRLA201847.1126001

特征聚类的局部敏感稀疏图像修复

doi: 10.3788/IRLA201847.1126001
基金项目: 

国家科技支撑项目(2014BAC26B00)

详细信息
    作者简介:

    薛俊韬(1973-),女,副教授,博士,主要从事深度学习与计算机视觉等方面的研究。Email:xuejt@tju.edu.cn

  • 中图分类号: TP391.41

Image inpainting based on feature clustering and locality-sensitive sparse representation

  • 摘要: 针对图像修复过程中单一的字典迭代时间长、适应性差、修复效果不理想的缺点,提出了一种结合图像特征聚类与字典学习的改进的图像修复方式。首先破损的图像被分割成小块,并产生索引矩阵。然后使用控制核回归权值算法,对其进行图像聚类。通过对图像内在结构与未破损区域信息的挖掘,分割的图像块根据SKRW的相似性进行了分类。之后针对不同类型结构的图像,通过自适应局部明感字典学习的方式,获取每类字典的过完备字典。然后,通过构建自适应局部配适器,提高字典更新的收敛速度与稀疏字典的适应性。因为是通过多个字典匹配不同结构的图像,因此图像的稀疏表示更为准确。各个字典在达到收敛之前不断进行更新,而图像的稀疏因子也会随着改变。在对破损区域进行补丁更换之后,实现了对破损图像的修复。实验结果表明,该算法相较于目前的修复算法,视觉效果和客观评价上更好,且所需的修复时间更短。
  • [1] Elad M, Figueiredo M A T, Ma Y. On the role of sparse and redundant representations in image processing[J]. Proceedings of the IEEE, 2010, 98(6):972-982.
    [2] Michal Aharon, Michael Elad, Alfred Bruckstein. K-SVD:An algorithm for designing overcomplete dictionaries for sparse representation[J]. IEEE Transactions on Signal Processing, 2006, 54(11):4311-4322.
    [3] Beckouche J, Starck J L, Fadili J. Astronomical image denoising using dictionary learning[J]. Astronomy Astrophysics, 2013, 556(7):132.
    [4] Hu Gaolong, Xiong Ling. Criminisi-based sparse representation for image inpainting[C]//2017 IEEE Third International Conference on Multimedia Big Data, 2017:389-393.
    [5] Huang Linjiang, Liu Hong, Tao Shaojie. An improved inpainting algorithm based on K-SVD dictionary[J]. Journal of Anhui University(Natural Science Edition), 2013, 37(3):69-74. (in Chinese)
    [6] Han Yulan, Zhao Yongping, Wang Qisong, et al. Reconstruction of super resolution for noise image under the sparse representation[J]. Optics and Precision Engineering, 2017, 25(6):1619-1626. (in Chinese)
    [7] Xu Kai, Wang Nannan, Gao Xinbo. Image inpainting based on sparse representation with dictionary pre-clustering[C]//7th Chinese Conference on Pattern Recognition, 2016:245-258.
    [8] Mairal Julien, Bach Francis, Ponce Jean, et al. Online dictionary learning for sparse coding[C]//26th Annual International Conference on Machine Learning, 2009:689-696.
    [9] Naderahmadian Yashar, Beheshti Soosan, Tinati Mohammad Ali. Correlation based online dictionary learning algorithm[J]. IEEE Transactions on Signal Processing, 2015, 64(3):592-602.
    [10] Marquez M A, Mojica E, Arguello H. Data sinogram sparse reconstruction based on steering kernel regression and filtering strategies[C]//SPIE, 2016, 9847:98470Z.
    [11] Sahoo S K, Makur A. Replacing K-SVD with SGK:Dictionary training for sparse representation of images[C]//2015 IEEE International Conference on Digital Signal Processing, 2015(2):614-617.
    [12] Verhack R, Sikora T, Lange, L, et al. A universal image coding approach using sparse steered Mixture-of-Experts regression[C]//2016 IEEE International Conference on Image Processing, 2016:2142-2146.
    [13] Marquez M A, Mojica E, Arguello H. Data sinogram sparse reconstruction based on steering kernel regression and filtering strategies[C]//SPIE, 2016, 9847:98470Z.
    [14] Zhang Kaibing, Gao Xinbo. Single image super-resolution with non-local means and steering Kernel regression[J]. IEEE Transactions on Image Processing, 2012, 21(11):4544-4556.
    [15] Wei Chiapo, Chao Yuwei, Yeh Yiren, et al. Locality-sensitive dictionary learning for sparse representation based classification[J]. Pattern, 2013, 46(5):1277-1287.
    [16] Guo Jun, Guo Yangqing, Li Yi, et al. Locality sensitive discriminative dictionary learning[C]//IEEE International Conference on Image Processing, 2015:1558-1562.
    [17] Rao T J V S, Rao M V G, Aswini T V N L. Image inpainting with group based sparse representation using self adaptive dictionary learning[C]//International Conference on Signal Processing Communication Engineering Systems, 2015:301-305.
    [18] Zhang Lin, Zhang Lei, Mou Xuanqin, et al. FSIM:a feature similarity index for image qualtiy assessment[J]. IEEE Transactions on Image Processing, 2011, 20(8):2378-2386.
  • [1] 秦丽丽, 李丽娟, 任姣姣, 顾健, 熊伟华, 张丹丹, 祝莉莉, 张霁旸, 薛竣文, 江柏红, 高增华.  基于梯度阈值的太赫兹时域信号自适应稀疏算法 . 红外与激光工程, 2023, 52(4): 20220443-1-20220443-12. doi: 10.3788/IRLA20220443
    [2] 谢冰, 万淑慧, 殷云华.  基于改进稀疏表示正则化的SR重建算法 . 红外与激光工程, 2022, 51(3): 20210468-1-20210468-10. doi: 10.3788/IRLA20210468
    [3] 游丽.  基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法 . 红外与激光工程, 2022, 51(4): 20210282-1-20210282-6. doi: 10.3788/IRLA20210282
    [4] 李亚娟.  结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
    [5] 沈英, 黄春红, 黄峰, 李杰, 朱梦娇, 王舒.  红外与可见光图像融合技术的研究进展 . 红外与激光工程, 2021, 50(9): 20200467-1-20200467-18. doi: 10.3788/IRLA20200467
    [6] 赵璐, 熊森.  多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
    [7] 梁欣凯, 宋闯, 赵佳佳.  基于深度学习的序列图像深度估计技术 . 红外与激光工程, 2019, 48(S2): 134-141. doi: 10.3788/IRLA201948.S226002
    [8] 贾桂敏, 李振娟, 杨金锋, 李乾司茂.  手指静脉红外图像血管网络修复新方法 . 红外与激光工程, 2019, 48(4): 426003-0426003(7). doi: 10.3788/IRLA201948.0426003
    [9] 卢瑞涛, 任世杰, 申璐榕, 杨小冈.  基于稀疏表示多子模板的鲁棒目标跟踪算法 . 红外与激光工程, 2019, 48(3): 326003-0326003(8). doi: 10.3788/IRLA201948.0326003
    [10] 张秀, 周巍, 段哲民, 魏恒璐.  基于专家场先验模型的图像超分辨重建算法 . 红外与激光工程, 2019, 48(6): 626002-0626002(8). doi: 10.3788/IRLA201948.0626002
    [11] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [12] 叶华, 谭冠政.  单幅图像的深度标签流形学习 . 红外与激光工程, 2018, 47(6): 626004-0626004(7). doi: 10.3788/IRLA201847.0626004
    [13] 张秀玲, 侯代标, 张逞逞, 周凯旋, 魏其珺.  深度学习的MPCANet火灾图像识别模型设计 . 红外与激光工程, 2018, 47(2): 203006-0203006(6). doi: 10.3788/IRLA201847.0203006
    [14] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [15] 杨楠, 南琳, 张丁一, 库涛.  基于深度学习的图像描述研究 . 红外与激光工程, 2018, 47(2): 203002-0203002(8). doi: 10.3788/IRLA201847.0203002
    [16] 叶华, 谭冠政, 李广, 刘晓琼, 李晋, 周聪, 朱会杰.  基于稀疏表示与粒子群优化算法的非平稳信号去噪研究 . 红外与激光工程, 2018, 47(7): 726005-0726005(8). doi: 10.3788/IRLA201847.0726005
    [17] 唐庆菊, 刘俊岩, 王扬, 刘元林, 梅晨.  基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测 . 红外与激光工程, 2016, 45(9): 928001-0928001(5). doi: 10.3788/IRLA201645.0928001
    [18] 薛模根, 周浦城, 刘存超.  夜视图像局部颜色传递算法 . 红外与激光工程, 2015, 44(2): 781-785.
    [19] 王会改, 李正周, 顾园山, 唐岚, 王臻, 金钢.  基于多尺度自适应稀疏字典的小弱目标检测方法 . 红外与激光工程, 2014, 43(7): 2371-2378.
    [20] 王恩国, 高印寒, 苏成志, 刘妍妍.  小目标图像局部极值收敛提取算法 . 红外与激光工程, 2014, 43(4): 1352-1358.
  • 加载中
计量
  • 文章访问数:  462
  • HTML全文浏览量:  94
  • PDF下载量:  43
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-06-05
  • 修回日期:  2018-07-03
  • 刊出日期:  2018-11-25

特征聚类的局部敏感稀疏图像修复

doi: 10.3788/IRLA201847.1126001
    作者简介:

    薛俊韬(1973-),女,副教授,博士,主要从事深度学习与计算机视觉等方面的研究。Email:xuejt@tju.edu.cn

基金项目:

国家科技支撑项目(2014BAC26B00)

  • 中图分类号: TP391.41

摘要: 针对图像修复过程中单一的字典迭代时间长、适应性差、修复效果不理想的缺点,提出了一种结合图像特征聚类与字典学习的改进的图像修复方式。首先破损的图像被分割成小块,并产生索引矩阵。然后使用控制核回归权值算法,对其进行图像聚类。通过对图像内在结构与未破损区域信息的挖掘,分割的图像块根据SKRW的相似性进行了分类。之后针对不同类型结构的图像,通过自适应局部明感字典学习的方式,获取每类字典的过完备字典。然后,通过构建自适应局部配适器,提高字典更新的收敛速度与稀疏字典的适应性。因为是通过多个字典匹配不同结构的图像,因此图像的稀疏表示更为准确。各个字典在达到收敛之前不断进行更新,而图像的稀疏因子也会随着改变。在对破损区域进行补丁更换之后,实现了对破损图像的修复。实验结果表明,该算法相较于目前的修复算法,视觉效果和客观评价上更好,且所需的修复时间更短。

English Abstract

参考文献 (18)

目录

    /

    返回文章
    返回