[发明专利]一种基于傅里叶频谱特征的图像块聚类方法

说明书

一种基于傅里叶频谱特征的图像块聚类方法，首先，对每个图像块进行二维快速傅里叶变换以获取傅里叶域所对应的幅度谱；然后，设定幅度谱上频率能量最大的方向为第一方向D，将主要谱线方向的数目定为图像块结构复杂度C，并计算频率分量并设定频率分量标记；最后根据每个图像块的第一方向D，结构复杂度C和频率分量标记进行聚类。本发明的方法采用频率谱图提取图像块结构复杂度、结构方向性以及频率成分分布，以此设计联合结构、方向和对比度特性的协同相似性度量标准，以实现快速、细致的图像块数据集合的聚类。

技术领域

本发明涉及图像处理和模式识别领域，涉及图像处理逆问题中自适应字典的构造和学习，具体涉及一种基于傅里叶域频谱结构与方向特性的图像块聚类方法。

背景技术

在图像处理与模式识别中，基于图像块的图像处理逆问题很是常见，包括图像去噪、去模糊、超分辨率重建及图像修复等。这类问题的求解通常采用学习算法从训练样本数据集合中学习得到图像块的信号，或是由字典中的一组基对图像块信号进行逼近表示。因此，训练样本数据集合或是字典的性能直接决定了重建结果。然而，图像的不同区域局部内容往往不同，如果对整幅图像使用单一型样本数据或是通用字典，在从大尺度的冗余字典中求解图像块的最优逼近子空间时，会由于选择的自由度过高而影响解的稳定性和准确性。因此，利用图像块聚类技术构造融合多个子字典的自适应性复合字典得到推广和应用。

W.Dong提出的采用自适应稀疏域选取的图像去模糊和超分辨率重建算法中，使用K均值方法将经过高通滤波后的图像块分为若干子类。与之类似的，非局部均值法和最近邻嵌入法以灰度值的欧氏距离作为相似性度量，在空间域搜寻相似图像块。这类方法中的相似性准则只考虑空间域的图像灰度欧氏距离，而未考虑图像块的结构特征和方向性质。另一方面，相关研究者提出根据图像块结构相似度选择逼近子字典的各种结构化稀疏模型。用于子字典学习的每个聚类应该具有特定的结构特征，例如，边缘方向、角点位置、平滑或纹理区域等。其中，根据图像块的方向特性，几何特征和光度学特征的相似性测度进行聚类，已经可以获得良好的图像处理结果。Mallet和Yu采用一组具有方向性的模板进行结构稀疏性初始化，并与高斯混合模型结合实现聚类。以上基于图像块结构特性的聚类方法虽然充分利用了图像块的结构特性，但是忽略了图像块之间不同的对比度和结构复杂度信息。

综上所述，在基于聚类的图像处理问题中，图像块相似性的度量标准直接影响子字典的学习和性能，并且决定了图像块重建模型的最终结果。然而，现有的图像块聚类方法通常只考虑空间域一个或两个特征项，缺乏由多个特征信息组成的协同度量标准，这极大的限制了聚类的细致化程度和各类中图像块的相似程度。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，根据傅里叶域幅度谱的结构与方向性，提出一种基于傅里叶频谱特征的图像块聚类方法。

本发明采用如下技术方案：

一种基于傅里叶频谱特征的图像块聚类方法，其特征在于：首先，对每个图像块进行二维快速傅里叶变换以获取傅里叶域所对应的幅度谱；然后，设定幅度谱上频率能量最大的方向为第一方向D，将主要谱线方向的数目定为图像块结构复杂度C，计算频率分量并设定频率分量标记；最后，根据每个图像块的第一方向D，结构复杂度C和频率分量标记进行聚类。

优选的，对幅度谱采样K个方向，将每个方向上的每个频率点的幅度值相加得到该方向的频率能量，将最大频率能量的方向作为该幅度谱的第一方向D。

优选的，根据幅度谱全部频率能量之和设定阈值，并根据频率能量大于该阈值所需的方向数目设定结构复杂度。

优选的，根据频率能量大于该阈值所需的方向数目设定结构复杂度，具体为：当第一方向的频率能量大于设定阈值时，记为结构复杂度C＝1；当第一方向、第二方向的频率能量之和大于设定阈值时，记为结构复杂度C＝2；当第一方向、第二方向和第三方向的频率能量之和大于设定阈值时，记为结构复杂度C＝3；其它情况下，记为结构复杂度C＝4。