[发明专利]一种二值图像复原方法

说明书

本发明涉及一种二值图像复原方法，包括以下步骤：采集带有噪音的原始二值图像；输入原始二值图像；基于原始二值图像，构建模型选择目标函数；将模型选择目标函数的非线性约束条件线性化；对模型选择目标函数进行迭代求梯度及线性规划求解，直至函数值收敛，最终复原二值图像。与现有技术相比，本发明利用模型选择图学习目标函数对多项式核图学习系数进行优化，并通过线性化MSGL约束条件与Frank‑Wolfe迭代线性规划算法对有噪音的二值图像进行复原，具有求解效率高、复原的二值图像准确率高等优点。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种二值图像复原方法。

背景技术

图学习已经被广泛研究了十多年，最近几年兴起了统计机器学习之间的交叉研究，如图信号处理(Graph Signal Processing，缩写为GSP)及其在数据分类中的应用：社交网络管理、基于回归的图像质量评估、图像增强和聚类等。GSP专注于处理图上定义的信号，包含支持数据的顶点和表示观测值的加权边的图成对相似性。基于机器学习的图信号处理关键是设计一个捕获各处理数据观测之间的关系，并制定信号先验，例如图信号平滑先验，以便对图信号进行有效过滤，例如，便于通过信号外推或标签传播进行数据分类。

图结构可以从以下两个方面学习：1)收集的原始数据(如时间序列)；2)构建的特征来自数据样本。因为成功的图滤波取决于底层图模型是收集数据的结构，图学习至关重要。图学习方法可以分为两种类型：1)数据驱动的图学习，基于收集的原始数据学习图；2)启用特征使用构造特征学习图的图学习。

对于数据驱动的图学习，重点是将建模关系分配给图的多个空间和/或时间观测(图信号)之间节点。现有的图学习方法多为更新每个图节点通过求解线性方程组或学习成对距离度量，其中优化变量的数量会因数据样本或特征维度的数量的增加而急剧增加。

如何对图学习方法中优化变量的数量进行确定，从而实现对有噪音的二值图像进行高准确率的复原，是目前亟需解决的问题。

发明内容

本发明的目的是针对二值图像复原领域现有技术的不足，提供一种二值图像复原方法，以提升二值图像像素复原的处理性能。

本发明的目的可以通过以下技术方案来实现：

一种二值图像复原方法，包括以下步骤：

采集带有噪音的原始二值图像；

输入所述原始二值图像；

基于所述原始二值图像，构建模型选择目标函数；

将所述模型选择目标函数的非线性约束条件线性化；

对所述模型选择目标函数进行迭代求梯度及线性规划求解，直至函数值收敛，最终复原二值图像。

进一步地，输入所述原始二值图像包括输入原始二值图像像素的多重特征，多重特征包括二值图像像素值、像素横坐标值及像素纵坐标值。

进一步地，所述构建模型选择目标函数包括以下步骤：

构建多重特征邻接矩阵；

基于所述多重特征邻接矩阵，构建正则化图拉普拉斯矩阵；

基于所述正则化图拉普拉斯矩阵，构建多项式图核函数；

基于所述多项式图核函数，对原始二值图像中的像素构建模型选择目标函数。

进一步地，所述多重特征邻接矩阵记为A，多重特征邻接矩阵A中元素的表达式为：

其中f_i表示原始二值图像像素的多重特征，M为原始二值图像像素多重特征之间的度量矩阵。

进一步地，所述正则化图拉普拉斯矩阵记为L，其表达式为：