申请/专利权人:浙江工业大学
申请日:2020-07-30
公开(公告)日:2024-03-26
公开(公告)号:CN112085666B
主分类号:G06T5/77
分类号:G06T5/77;G06T5/20;G06T7/90
优先权:
专利状态码:有效-授权
法律状态:2024.03.26#授权;2021.01.01#实质审查的生效;2020.12.15#公开
摘要:本发明公开了一种基于重启策略与近似交替惩罚算法的图像补全方法,包括获取待补全的自然图像数据输入低秩全变分修复模型;利用近似交替惩罚算法迭代求解所述低秩全变分修复模型,并在迭代次数达到N的倍数时利用重启策略重置近似交替惩罚算法中的变量,直至迭代至预设的最大迭代次数;输出求解得到的补全后的自然图像数据。本申请建立的低秩全变分修复模型从多维度考虑图像修复,并且采用近似交替惩罚算法对低秩全变分修复模型进行求解,以应用于自然图像修复,求解速度快,同时使用了重新策略,即迭代到一定次数,重新给参数赋初值,以显著提高近似交替惩罚算法的性能,在提高修复效率的同时达到较优的修复效果。
主权项:1.一种基于重启策略与近似交替惩罚算法的图像补全方法,其特征在于,所述基于重启策略与近似交替惩罚算法的图像补全方法,包括:步骤1、获取待补全的自然图像数据输入低秩全变分修复模型,其中m、n分别表示自然图像的宽度、高度,3表示自然图像数据的RGB三个通道;步骤2、利用近似交替惩罚算法迭代求解所述低秩全变分修复模型,并在迭代次数达到N的倍数时利用重启策略重置近似交替惩罚算法中的变量,直至迭代次数达到预设的最大迭代次数;步骤3、输出求解得到的补全后的自然图像数据;其中,所述低秩全变分修复模型,包括:针对自然图像补全修复的低秩全变分修复模型定义如下: 式中,为张量,表示输入的待补全的自然图像数据,为张量,表示输出的补全后的自然图像数据,表示张量的低秩项,其定义为并且Yk表示张量的第k维的m×n矩阵,λk表示张量的第k维的m×n矩阵的核范数的权重系数,表示张量的全变分正则项,其定义为wk表示张量的第k维的m×n矩阵的全变分正则项的权重系数,并且||Yk||tv的定义如下: 式中yi,j表示矩阵Yk第i行、第j列所对应的元素;||·||F为Frobenius范数,其定义为Qi,j为矩阵Q第i行、第j列所对应的元素值,θ∈{0,1}m×n×3为一个索引矩阵,索引矩阵θ中的0表示输入的自然图像数据中的丢失元素,1表示输入的自然图像数据中的可观测元素,Ω为支持集Ω,表示未丢失的元素集,α和β分别表示低秩项与全变分正则项的参数,δ的值根据输入的待补全的自然图像数据中元素丢失率而定,所述丢失率符号:=表示定义为。
全文数据:
权利要求:
百度查询: 浙江工业大学 一种基于重启策略与近似交替惩罚算法的图像补全方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。