基于PCA的非局部聚類(lèi)稀疏表示圖像重建方法

魯亞琪，武明虎

(湖北工業(yè)大學(xué) 電氣與電子工程學(xué)院，湖北 武漢 430068)

?

基于PCA的非局部聚類(lèi)稀疏表示圖像重建方法

魯亞琪，武明虎

(湖北工業(yè)大學(xué) 電氣與電子工程學(xué)院，湖北 武漢 430068)

針對(duì)腐化圖像恢復(fù)不足的問(wèn)題，提出一種基于PCA的非局部聚類(lèi)稀疏表示模型。首先，用圖像非局部自相似性來(lái)取得稀疏系數(shù)值；然后，對(duì)觀測(cè)圖像的稀疏編碼系數(shù)進(jìn)行集中聚類(lèi)；最后，通過(guò)學(xué)習(xí)字典使降噪圖像的稀疏編碼系數(shù)接近原始圖像的編碼系數(shù)。實(shí)驗(yàn)結(jié)果表明，提出的方法在重建圖像性能上較同類(lèi)方法有顯著提高，獲得了更好的圖像恢復(fù)質(zhì)量。

稀疏表示；非局部相似性；聚類(lèi)分析

1　稀疏表示圖像重建方法

盡管目前的稀疏表示圖像恢復(fù)方法在去除輕度圖像腐化方面已取得了優(yōu)良的性能，但在腐化污染較嚴(yán)重或者圖像特性較復(fù)雜時(shí)，模型的高效性、魯棒性以及先驗(yàn)?zāi)Ｐ偷亩鄻有跃瓦€存在著很多不足。針對(duì)以上問(wèn)題，本文在稀疏模型中結(jié)合圖像的結(jié)構(gòu)特征，運(yùn)用先驗(yàn)知識(shí)學(xué)習(xí)模型和稀疏編碼噪聲(SCN)概念[9]，提出一種基于PCA的非局部聚類(lèi)稀疏表示方法。實(shí)驗(yàn)仿真將對(duì)比基于主成分分析的局部像素聚類(lèi)兩步去噪聲方法(LPG_PCA)[10]和ASDS_AR_NL去模糊方法。數(shù)據(jù)結(jié)果表明，本文方法的去噪聲以及去模糊性能較同類(lèi)方法有顯著的提高，并且具有較好的邊緣和紋理細(xì)節(jié)保持性能，獲得了更好圖像恢復(fù)質(zhì)量。

2　稀疏表示建模

(1)

式中：y為低質(zhì)觀測(cè)量圖像；H為退化矩陣；D為字典；a為稀疏編碼系數(shù)向量；δ為預(yù)定常數(shù)；τi為每個(gè)塊編碼向量的非局部期望值。

3　模型算法實(shí)現(xiàn)

3.1字典訓(xùn)練

對(duì)于很多結(jié)構(gòu)復(fù)雜的自然圖像，分析設(shè)計(jì)的小波字典和K-SVD學(xué)習(xí)字典都是通用字典，能用在任何圖像塊的表示上，但是，它們卻缺乏足夠的靈活度來(lái)盡可能稀疏地表示一個(gè)給定的局部圖像塊。本文在此考慮到使用過(guò)完備字典會(huì)使得稀疏編碼不穩(wěn)定，就在稀疏算法中加入一個(gè)優(yōu)良的聚類(lèi)算法，為每個(gè)圖像塊收集一些相似塊，找到一個(gè)對(duì)每個(gè)塊都能自適應(yīng)的字典，為每組相似塊的集群設(shè)計(jì)一個(gè)局部字典，再用主成分分析(PCA)對(duì)每個(gè)聚類(lèi)集群進(jìn)行基于PCA基的字典學(xué)習(xí)，并用這個(gè)字典來(lái)給當(dāng)前集群中的塊進(jìn)行統(tǒng)一編碼。

在本文的聚類(lèi)方法中，首先計(jì)算圖像塊之間距離的均值，利用概率統(tǒng)計(jì)方法來(lái)確定相似度閾值，動(dòng)態(tài)計(jì)算密度的半徑；然后，利用調(diào)整后的特征權(quán)重，重新計(jì)算各圖像塊與各聚類(lèi)中心的距離，并重新增加新的聚類(lèi)中心；最后，找到以某個(gè)聚類(lèi)中心為中心的區(qū)域集合中密度值大于閾值的圖像塊。通過(guò)本文的聚類(lèi)方法對(duì)圖像塊進(jìn)行聚類(lèi)，有效地對(duì)每個(gè)圖像塊進(jìn)行自適應(yīng)性學(xué)習(xí)PCA字典，從中選擇子字典進(jìn)行編碼。本文聯(lián)合聚類(lèi)方法與PCA子字典構(gòu)造完整的過(guò)完備字典，這樣，自然圖像的所有局部結(jié)構(gòu)就可以準(zhǔn)確描述出來(lái)。

（3）提倡女性參加政治。秋瑾有較強(qiáng)的政治意識(shí)，提出婦女應(yīng)當(dāng)關(guān)心時(shí)政，擁有愛(ài)國(guó)思想。因?yàn)槿绻麌?guó)亡，權(quán)利亦亡。保國(guó)，就是保權(quán)利。應(yīng)把權(quán)利與義務(wù)聯(lián)系起來(lái)，把女子盡義務(wù)，參與革命，作為爭(zhēng)取女性權(quán)益的條件之一。岸田俊子首次以國(guó)家觀念為媒介而開(kāi)始參與政治活動(dòng)，在這種國(guó)家觀念中，最為顯著的就是強(qiáng)烈的“愛(ài)國(guó)之情”。不僅如此，岸田還將矛頭指向男性民權(quán)家，期待將女性解放伸張納入到男性民權(quán)家的話語(yǔ)中去，以圖謀求女權(quán)。

3.2算法描述

對(duì)于給定的塊，通過(guò)計(jì)算它與平均值的差來(lái)判斷該塊所屬的類(lèi)，對(duì)每個(gè)聚類(lèi)進(jìn)行PCA子字典Dk訓(xùn)練，然后選擇PCA子字典對(duì)這一類(lèi)進(jìn)行編碼。在每次內(nèi)循環(huán)迭代時(shí)，通過(guò)迭代收縮來(lái)動(dòng)態(tài)更新δi,j和{τi}這兩個(gè)正則化參數(shù)，來(lái)解決最優(yōu)化問(wèn)題。詳細(xì)算法流程圖如圖1所示。

圖1　算法結(jié)構(gòu)描述

4　仿真結(jié)果分析

實(shí)驗(yàn)將每個(gè)子塊設(shè)置為7×7，分別對(duì)自然圖像進(jìn)行去噪聲和去模糊測(cè)試。通過(guò)比較峰值信噪比(PSNR)和圖像相似度(FSIM)[12]來(lái)反映圖像重建的質(zhì)量。如圖2所示，本文選擇了5個(gè)黑白圖像，依次為Barbara，Lena，Pentagon，Cameraman，House，以及5個(gè)彩色圖像，依次為Parrot，Leaves，Butterfly，Plants，Tower。這些自然圖像各具特色，較適合用于測(cè)試仿真觀察。

圖2　測(cè)試圖像集(原圖第2行為彩色)

4.1去噪聲重建

本文將提出的去噪聲方法與LPGPCA方法比較，對(duì)每個(gè)圖像都測(cè)試了PSRN和FIMS值，測(cè)試結(jié)果如表1～4所示，每個(gè)圖像所得數(shù)據(jù)中，上面一行是LPGPCA方法所得數(shù)據(jù)，下面一行是本文的方法所得數(shù)據(jù)。

如表1所示，分別顯示了低、中、高噪聲腐敗情況下對(duì)黑白圖像的修復(fù)效果。數(shù)據(jù)顯示，本文方法對(duì)黑白圖像的去噪聲有很好的效果，在圖像紋理和邊緣地方都很平滑。

表1高斯噪聲情形下不同算法的PSNR和FSIM值(黑白圖像測(cè)試結(jié)果)

圖片σ=5σ=20σ=80PSNR/dBFIMSPSNR/dBFIMSPSNR/dBFIMSBarbara38.750.9830.970.9023.050.7838.500.9831.210.9423.750.78Lena38.090.9830.540.9323.370.8238.130.9830.950.9324.430.83Pentagon35.930.9827.770.9021.320.6936.330.9828.320.9121.770.69Cameraman37.970.9729.720.8923.150.7738.280.9830.490.9123.920.78House39.470.9733.080.9125.820.8239.950.9833.890.9226.870.83

表2高斯噪聲情形下不同算法的PSNR和FSIM值(彩色圖像測(cè)試結(jié)果)1

圖片σ=5σ=20σ=60PSNR/dBFIMSPSNR/dBFIMSPSNR/dBFIMSParrot40.220.9832.460.9426.690.8840.370.9832.920.9325.670.86

表3高斯噪聲情形下不同算法的PSNR和FSIM值(彩色圖像測(cè)試結(jié)果)2

圖片σ=5σ=20σ=60PSNR/dBFIMSPSNR/dBFIMSPSNR/dBFIMSLeaves39.370.9930.410.9323.820.8441.370.9930.890.9422.400.84Butterfly39.000.9830.230.9224.250.8340.120.9830.320.9323.540.85

表4高斯噪聲情形下不同算法的PSNR和FSIM值(彩色圖像測(cè)試結(jié)果)3

圖片σ=5σ=20σ=60PSNR/dBFIMSPSNR/dBFIMSPSNR/dBFIMSPlants40.040.9832.400.9128.770.8540.930.9832.720.8928.470.82Tower40.370.9833.150.9329.680.8840.500.9632.020.8728.550.81

如圖3所示，為噪聲等級(jí)σ=5時(shí)的對(duì)比圖，從直觀上看出，本文方法較LPGPCA方法要優(yōu)，視覺(jué)效果良好，與原圖圖像相似度較高，且參照表1中數(shù)據(jù)可得峰值信噪比高出LPGPCA方法0.3dB。

圖3　Cameraman圖測(cè)試效果

如圖4所示，為噪聲等級(jí)σ=80時(shí)的對(duì)比圖，從直觀上看出，在黑白圖像摻雜較高的噪聲時(shí)，本文的去噪聲方法較LPGPCA方法有顯著改善，圖像恢復(fù)效果明顯改進(jìn)，與原圖圖像相似度較高，且參照表1中數(shù)據(jù)結(jié)果知道，本文較LPGPCA方法峰值信噪比提高了0.45dB。

如表2～4所示，分別顯示了不同噪聲腐敗情況下對(duì)彩色圖像的修復(fù)效果。數(shù)據(jù)顯示，在對(duì)彩色圖像去噪聲時(shí)，僅在中低噪聲影響下，本文方法大致保持了較好的降噪效果。但是，對(duì)于紋理較復(fù)雜的圖像，本文方法會(huì)把圖像本身的紋理也給平滑掉，產(chǎn)生較大失真。

如圖5所示，為噪聲等級(jí)σ=60時(shí)的對(duì)比圖，視覺(jué)觀察，LPGPCA方法要優(yōu)于本文的去噪聲方法，對(duì)于圖像中紋理的保持效果也較好于本文方法，由表2～表4中數(shù)據(jù)顯示，LPGPCA方法峰值信噪比要高出本文方法1dB。

圖4　Pentagon圖測(cè)試效果

圖5　Parrot圖測(cè)試效果

如圖6所示，為噪聲等級(jí)σ=20時(shí)的對(duì)比圖，從直觀上看出，在原圖像本身就紋理多的情況下，本文方法會(huì)造成一定程度的失真，將原有紋理光滑掉，此時(shí)，較LPGPCA方法效果要稍差一點(diǎn)。綜上所述，本文方法比較適用于黑白圖像去噪。

圖6　Tower圖測(cè)試效果

4.2去模糊重建

本文將提出的去模糊方法與ASDS_AR_NL方法進(jìn)行比較。實(shí)驗(yàn)發(fā)現(xiàn)本文的去模糊方法能有效地重建分段光滑區(qū)域，比ASDS_AR_NL方法效果更好。

表5顯示了在相同噪聲等級(jí)、不同模糊核的情況下，ASDS_AR_NL方法和本文的去模糊方法效果，每個(gè)圖像所得測(cè)試數(shù)據(jù)中，上面一行是ASDS_AR_NL方法所得結(jié)果，下面一行是本文的方法所得結(jié)果?？梢钥吹剑疚牡腜CA聚類(lèi)稀疏表示去模糊方法在統(tǒng)一模糊和高斯模糊下都明顯優(yōu)于ASDS_AR_NL方法，參照表3中實(shí)驗(yàn)數(shù)據(jù)可知，本文方法的峰值信噪比ASDS_AR_NL方法提高了0.1～0.3dB，與原圖像的相似度也較高。

表5去模糊圖像的PSNR和FSIM結(jié)果值

圖片Uniformblurσn=2Gaussianblurσn=2PSNR/dBFIMSPSNR/dBFIMSBarbara27.900.909823.840.806528.080.911823.900.8079Lena29.220.923826.550.871329.320.924726.820.8788Pentagon26.600.874823.740.766326.720.879323.920.7713Cameraman28.100.893924.210.803328.570.900924.520.8175House33.950.934429.790.851634.090.941130.190.8613Parrot31.180.933527.910.909632.150.944128.230.9179Leaves28.530.906123.900.792330.050.933824.750.8388Butterfly28.610.903524.570.801229.740.928125.360.8359Plants33.000.902630.650.867134.290.929031.410.8876Tower32.530.915829.750.879732.980.930530.040.8877

圖7　Butterfly圖測(cè)試結(jié)果

圖8　House圖測(cè)試結(jié)果

綜上所述，不論是高斯模糊核和還是統(tǒng)一模糊核，本文提出的去模糊方法比ASDS方法有更少的視覺(jué)工件，在視覺(jué)上更令人愉悅，從數(shù)據(jù)比較上，本文算法效果更好更清晰，也有更多的細(xì)節(jié)紋理。

5　結(jié)束語(yǔ)

本文利用非局部相似性，結(jié)合自然圖像的結(jié)構(gòu)特征，提出了一種基于PCA的非局部聚類(lèi)稀疏表示圖像重建方法。該方法是將聚類(lèi)方法與PCA基字典相結(jié)合，通過(guò)正則化約束來(lái)得到聚類(lèi)描述的學(xué)習(xí)字典，從而更加精確地重構(gòu)圖像。通過(guò)一系列的實(shí)驗(yàn)結(jié)果得出，本文提出的方法在圖像去噪聲以及圖像去模糊上都有較好的重建效果，實(shí)現(xiàn)了圖像恢復(fù)的細(xì)節(jié)紋理保真性，提高了圖像重建的魯棒性。

[1]李家德，張葉，賈平. 采用非局部均值的超分辨率重構(gòu)[J]. 光學(xué)精密工程，2013(6)：1576-1585.

[2]ZHANGJ，LIUS，XIONGR.Improvedtotalvariationbasedimagecompressivesensingrecoverybynonlocalregularization[C]//Proc. 2013IEEEInternationalSymposiumonCircuitsandSystems.Beijing：InstituteofElectricalandElectronicsEngineersInc.，2013：2836-2839.

[3]ZHANGX，BURGERM，BRESSONX.Bregmanizednonlocalregularizationfordeconvolutionandsparsereconstruction[J].SIAMjournalonimagingsciences，2010(3)：253-276.

[4]ZHANGH，YANGJ，ZHANGY.Non-localkernelregressionforimageandvideorestoration[C]//Proc. 11thEuropeanConferenceonComputerVision.Heraklion：SpringerVerlag，2010：566-579.

[5]AHARONM，ELADM，BRUCKSTEINA.K-SVD：analgorithmfordesigningovercompletedictionariesforsparserepresentation[J].IEEEtransactionsonsignalprocessing， 2006， 54(11)：4311-4322.

[6]BRUCKSTEINAM，DONOHODL，ELADM.Fromsparsesolutionsofsystemsofequationstosparsemodelingofsignalsandimages[J].SIAMreview，2009，51(1)：34-81.

[7]DONGW，ZHANGL，SHIG.Imagedeblurringandsuper-resolutionbyadaptivesparsedomainselectionandadaptiveregularization[J].IEEEtransactionsonimageprocessing， 2011， 20(7)：1838-1857.

[8]MAIRALJ，BACHF，PONCEJ.Non-localsparsemodelsforimagerestoration[C]//Proc. 12thInternationalConferenceonComputerVision.Kyoto：InstituteofElectricalandElectronicsEngineersInc.，2009：2272-2279.

[9]DONGW，ZHANGL，SHIG.Nonlocallycentralizedsparserepresentationforimagerestoration[J].IEEEtransactionsonimageprocessing， 2013， 22(4)： 1620-1630.

[10]ZHANGL，DONGW，ZHANGD.Two-stageimagedenoisingbyprincipalcomponentanalysiswithlocalpixelgrouping[J].Patternrecognition，2010，43(4)：1531-1549.

[11]BREDIESK.Aniterativethresholding-likealgorithmforinverseproblemswithsparsityconstraintsinbanachspace[J].Journalofinverseandill-posedproblems，2009，17(1)：19-26.

[12]ZHANGL，ZHANGL，MOUX.FSIM：afeaturesimilarityindexforimagequalityassessment[J].IEEEtransactionsonimageprocessing， 2011， 20(8)：2378-2386.

責(zé)任編輯：時(shí)雯

Nonlocal clustering based on PCA sparse representation of image reconstruction method

LU Yaqi，WU Minghu

(SchoolofElectrical&ElectronicEngineering，HubeiUniversityofTechnology，Wuhan430068，China)

A nonlocal PCA based clustering the sparse representation is put forward in this paper，to solve the shortages problem of corrupt image restoration. First of all，sparse coefficient value is obtained by image nonlocal self-similarity，and then the sparse coding coefficients of the observed image is centralized to sparse coefficient value. In the end，make the sparse coding coefficients of the degraded image as close as possible to those of the unknown original image through learning the dictionary. Experimental results show that the method that proposed by this passage achieves significant improvements over the previous sparse reconstructed image methods and obtains better quality of image restoration.

sparse representation； nonlocal similarity； cluster analysis

TN911.73

A

10.16280/j.videoe.2016.09.003

國(guó)家自然科學(xué)基金項(xiàng)目(61471162)

2016-01-04

文獻(xiàn)引用格式：魯亞琪，武明虎.基于PCA的非局部聚類(lèi)稀疏表示圖像重建方法[J].電視技術(shù)，2016，40(9)：16-21.

LU Y Q，WU M H.Nonlocal clustering based on PCA sparse representation of image reconstruction method[J].Video engineering，2016,40(9)：16-21.