天津大学 电气自动化与信息工程学院, 天津 300072
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。
图像修复 稀疏表示 图像聚类 字典学习 局部敏感 image inpainting sparse representation image clustering dictionary learning locality-sensitive 红外与激光工程
2018, 47(11): 1126001