專利名稱：基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像重構(gòu)、圖像采集設(shè)備開(kāi)發(fā)等領(lǐng)域中的基于曲線波Curvelet冗余字典的免疫優(yōu)化圖像重構(gòu)方法。本發(fā)明用于在圖像重構(gòu)時(shí)獲得高質(zhì)量的清晰的圖像，用于圖像采集設(shè)備開(kāi)發(fā)領(lǐng)域可以降低硬件成本。
背景技術(shù)：
在壓縮感知圖像重構(gòu)領(lǐng)域中，為了求解圖像信號(hào)在某種正交基字典或某種變換下的稀疏表示系數(shù)，而采用從Itl范數(shù)意義下的非凸優(yōu)化問(wèn)題中求解稀疏表示系數(shù)近似值的方法。目前常用的方法有貪婪追蹤算法，通過(guò)每次迭代時(shí)選擇一個(gè)局部最優(yōu)解來(lái)逼近原始信號(hào)。J. Troppand等人在文獻(xiàn)"J. Troppand,A. Gilbert'Signal recovery from random measurements via orthogonal Matching pursuit,，IEEE Trans. Info. Theory, vol.53, no. 12，pp. 4655-4666，Dec. 2008”中提出從過(guò)完備原子庫(kù)中選擇最能匹配信號(hào)結(jié)構(gòu)的原子并通過(guò)一系列的逐步遞增來(lái)實(shí)現(xiàn)信號(hào)的逼近。其基本思想是將原子Gramlchmidt正交化處理，再將信號(hào)在這些正交原子構(gòu)成的空間上投影，得到信號(hào)在各個(gè)已選原子上的分量和殘余分量，然后通過(guò)原子選擇和殘余更新等迭代過(guò)程，最終實(shí)現(xiàn)信號(hào)的稀疏逼近。這種方法存在的不足是，沒(méi)有考慮信號(hào)本身具有的特點(diǎn)，如冗余性這一特征，加之塊壓縮感知本身固有的塊效應(yīng)，也難以得到較好的重構(gòu)效果。西南交通大學(xué)的專利申請(qǐng)“基于一維快速哈特萊變換和匹配追蹤的圖像稀疏分解快速算法”(公開(kāi)號(hào):CN102148987A,申請(qǐng)?zhí)?201110088400. 9，申請(qǐng)日:2011年04月11日) 中公開(kāi)了一種基于一維快速哈特萊變換和匹配追蹤的圖像稀疏分解算法。該方法首先構(gòu)造了核心原子庫(kù)，將原始二維圖像轉(zhuǎn)換為一維實(shí)信號(hào)，稀疏分解原子庫(kù)中的原子轉(zhuǎn)換為一維原子，然后利用一維快速哈特萊變換實(shí)現(xiàn)圖像或圖像的殘差與原子的互相關(guān)運(yùn)算，尋找最佳原子，最終實(shí)現(xiàn)圖像的分解。該專利因?yàn)槭褂昧艘痪S快速哈特萊變換，能快速地對(duì)圖像進(jìn)行稀疏分解，且重構(gòu)圖像視覺(jué)效果較好。該專利存在的不足是，控制重構(gòu)誤差和信號(hào)稀疏度之間平衡的參數(shù)λ對(duì)整個(gè)求解過(guò)程以及最優(yōu)解的影響很大，不適當(dāng)?shù)膮?shù)會(huì)降低圖像分解速度，影響圖像重構(gòu)效果。綜上所述，雖然基于匹配追蹤的方法運(yùn)行時(shí)間比較快，但是沒(méi)有考慮圖像信號(hào)本身固有的特性，現(xiàn)有技術(shù)對(duì)參數(shù)λ的選取并不是自適應(yīng)的，要得到最優(yōu)解，需要手動(dòng)地選取適合地參數(shù)，這對(duì)整個(gè)求解過(guò)程來(lái)說(shuō)是很麻煩的，而且如果參數(shù)的值選取不恰當(dāng)?shù)卦?，很難得到最優(yōu)解。

發(fā)明內(nèi)容
本發(fā)明針對(duì)上述已有技術(shù)的問(wèn)題，提出了一種基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，避開(kāi)了選擇參數(shù)λ的問(wèn)題，考慮了圖像本身固有的結(jié)構(gòu)特點(diǎn)，在免疫克隆優(yōu)化學(xué)習(xí)技術(shù)中加入濾波和凸投影的方法，最終提高了圖像的重構(gòu)質(zhì)量，獲得了視覺(jué)效果較好的重構(gòu)圖像。為實(shí)現(xiàn)上述目的，本發(fā)明的主要思路是，考慮圖像子塊之間的相似性，首先利用免疫克隆優(yōu)化技術(shù)對(duì)相似的觀測(cè)向量求解一組共同的曲線波Curvelet基原子，用共同的曲線波Curvelet基原子重構(gòu)出初始圖像；然后根據(jù)圖像自身的特點(diǎn)，對(duì)該初始圖像進(jìn)行濾波、凸投影處理，將處理后的圖像作為先驗(yàn)知識(shí)，優(yōu)化確定圖像塊的稀疏度，進(jìn)而指導(dǎo)后續(xù)對(duì)單個(gè)觀測(cè)向量求解最優(yōu)的曲線波Curvelet基原子，最終實(shí)現(xiàn)更好地重構(gòu)圖像。本發(fā)明的具體步驟如下(1)對(duì)觀測(cè)向量進(jìn)行聚類對(duì)圖像的發(fā)送方發(fā)過(guò)來(lái)的所有圖像塊的觀測(cè)向量采用仿射傳播聚類AP算法將相似的觀測(cè)向量聚在一起，得到多個(gè)類別的觀測(cè)向量；(2)初始化種群2a)將所有圖像塊的稀疏度值設(shè)定為32，對(duì)曲線波Curvelet冗余字典中的所有基原子用正整數(shù)進(jìn)行編號(hào)；2b)對(duì)聚類后的每一類觀測(cè)向量，隨機(jī)選取32個(gè)曲線波Curvelet基原子的編號(hào)作為抗體元素得到一個(gè)抗體，按此方法得到多個(gè)抗體作為該類觀測(cè)向量對(duì)應(yīng)的圖像塊的初始種群；2c)對(duì)聚類后的所有類觀測(cè)向量，按照步驟2b)得到所有類觀測(cè)向量對(duì)應(yīng)的圖像塊的初始種群；(3)類免疫優(yōu)化3a)用每一類觀測(cè)向量乘以高斯觀測(cè)矩陣的廣義逆矩陣，得到每一類觀測(cè)向量對(duì)應(yīng)的圖像塊的稀疏表示系數(shù)向量；3b)按照如下親和度函數(shù)A計(jì)算每一類觀測(cè)向量對(duì)應(yīng)的圖像塊的初始種群中所有抗體的親和度
_8] fA~t Ik-術(shù)I /=1其中，fA為親和度值，i為觀測(cè)向量的標(biāo)號(hào)，j為聚類后每個(gè)類中觀測(cè)向量的總數(shù)， YiS類中第i個(gè)觀測(cè)向量，Φ為高斯觀測(cè)矩陣，Ψ為曲線波Curvelet冗余字典，α ,為類
中第i個(gè)觀測(cè)向量對(duì)應(yīng)的圖像塊的稀疏表示系數(shù)向量，2是向量二范數(shù)的平方；
23c)對(duì)種群中所有抗體的親和度的值從大到小排序，依次對(duì)所有抗體執(zhí)行克隆，變異，選擇操作；3d)將選擇操作得到的親和度最高的抗體作為最優(yōu)抗體，保存最優(yōu)抗體，保存優(yōu)化后的種群；3e)對(duì)所有類觀測(cè)向量對(duì)應(yīng)的圖像塊的初始種群依次按照步驟3a)，步驟3b)，步驟3c)，步驟3d)進(jìn)行處理，得到所有類觀測(cè)向量對(duì)應(yīng)的圖像塊的最優(yōu)抗體和優(yōu)化后的種群；(4)重構(gòu)初始圖像4a)將每一類觀測(cè)向量對(duì)應(yīng)的圖像塊的稀疏表示系數(shù)向量與最優(yōu)抗體對(duì)應(yīng)的曲線波Curvelet基相乘，得到每一類觀測(cè)向量對(duì)應(yīng)的圖像塊；4b)將所有類觀測(cè)向量按照步驟4a)進(jìn)行處理，得到所有類觀測(cè)向量對(duì)應(yīng)的圖像塊；4c)將所有圖像塊拼在一起得到整幅圖像；(5)對(duì)整幅圖像進(jìn)行濾波、凸投影操作，得到濾波凸投影后的整幅圖像；(6)判斷迭代次數(shù)是否達(dá)到最大值，如果滿足，則輸出重構(gòu)后的整幅圖像；否則執(zhí)行步驟(7)；(7)更新稀疏度7a)對(duì)濾波凸投影后的整幅圖像進(jìn)行分塊，得到多個(gè)圖像塊；7b)將每個(gè)圖像塊的稀疏度值加上步長(zhǎng)得到增加后的稀疏度值；7c)對(duì)圖像塊用正交匹配追蹤OMP算法得到一組曲線波Curvelet基原子和圖像塊的稀疏表示系數(shù)向量，將曲線波Curvelet基原子的編號(hào)作為抗體元素，得到圖像塊對(duì)應(yīng)的抗體；7d)用親和度函數(shù)B計(jì)算圖像塊對(duì)應(yīng)抗體的親和度；7e)判斷步驟3e)所得種群中所有抗體的親和度值是否小于圖像塊對(duì)應(yīng)抗體的親和度值，如果是，則將原稀疏度值加上步長(zhǎng)作為新的稀疏度值，重復(fù)執(zhí)行步驟7c)，步驟 7d)，直到步驟3e)所得種群中至少有一個(gè)抗體的親和度值大于圖像塊對(duì)應(yīng)抗體的親和度值，將此時(shí)的稀疏度值作為圖像塊更新后的稀疏度值；如果否，則將原稀疏度值減去步長(zhǎng)作為新的稀疏度值，重復(fù)執(zhí)行步驟7c)，步驟7d)，直到步驟3e)所得種群中至少有一個(gè)抗體的親和度值大于圖像塊對(duì)應(yīng)抗體的親和度值，將此時(shí)的稀疏度值作為圖像塊更新后的稀疏度值；7f)將所有圖像塊按照步驟7b)，步驟7c)，步驟7d)，步驟7e)進(jìn)行處理，得到所有圖像塊更新后的稀疏度值；(8)更新種群8a)判斷每個(gè)圖像塊更新后的稀疏度值與原稀疏度值的大小關(guān)系，如果更新后的稀疏度值大于原稀疏度值，則在步驟3e)所得種群的基礎(chǔ)上將種群中所有抗體的長(zhǎng)度設(shè)置為更新后的稀疏度值，隨機(jī)地選取曲線波Curvelet基原子的編號(hào)作為抗體增加部分的元素，保存所有新抗體作為更新后的種群；如果圖像塊更新后的稀疏度值小于原稀疏度值，則在步驟3e)所得種群的基礎(chǔ)上將種群中所有抗體的長(zhǎng)度設(shè)置為更新后的稀疏度值，保存所有新抗體作為更新后的種群；如果圖像塊更新后的稀疏度值等于原稀疏度值，則保持步驟 3e)所得種群不變；8b)對(duì)所有圖像塊按照步驟8a)進(jìn)行處理，得到所有圖像塊更新后的種群；(9)圖像塊免疫優(yōu)化9a)用親和度函數(shù)B計(jì)算每個(gè)圖像塊更新后的種群中所有抗體的親和度；9b)對(duì)種群中所有抗體的親和度的值從大到小排序，依次對(duì)所有抗體執(zhí)行克隆，變異，選擇操作，保存變異后的種群；9c)將選擇操作得到的親和度最高的抗體作為最優(yōu)抗體，保存最優(yōu)抗體；9d)對(duì)所有的圖像塊按照步驟9a)，步驟9b)，步驟9c)進(jìn)行處理，得到所有圖像塊優(yōu)化后的種群和對(duì)應(yīng)的最優(yōu)抗體；
(10)重構(gòu)圖像IOa)將每一個(gè)圖像塊的最優(yōu)抗體對(duì)應(yīng)的曲線波Curvelet基與步驟7c)得到的稀疏表示系數(shù)向量相乘，得到重構(gòu)后的圖像塊；IOb)將所有圖像塊按照步驟IOa)進(jìn)行處理，得到所有重構(gòu)后的圖像塊；IOc)將所有重構(gòu)后的圖像塊拼在一起得到重構(gòu)后的整幅圖像；IOd)轉(zhuǎn)至步驟(5)。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)1.本發(fā)明考慮了圖像子塊之間的相似性，結(jié)合濾波和凸投影的方法，利用免疫克隆優(yōu)化技術(shù)對(duì)相似的觀測(cè)向量求解一組共同的曲線波Curvelet基原子，用共同的曲線波 Curvelet基原子重構(gòu)出初始圖像，克服了現(xiàn)有塊壓縮感知技術(shù)固有的塊效應(yīng)問(wèn)題，使得本發(fā)明消除了重構(gòu)圖像中的塊效應(yīng)，可獲得視覺(jué)效果較好的重構(gòu)圖像。2.本發(fā)明將壓縮感知中零范數(shù)意義下的優(yōu)化問(wèn)題轉(zhuǎn)化為無(wú)約束問(wèn)題，并將無(wú)約束問(wèn)題中的重構(gòu)誤差和確定信號(hào)稀疏度兩部分分開(kāi)進(jìn)行處理，避開(kāi)了選擇控制兩部分之間平衡的參數(shù)λ的問(wèn)題，克服了現(xiàn)有重構(gòu)技術(shù)參數(shù)λ影響重構(gòu)質(zhì)量的問(wèn)題，使得本發(fā)明提高了圖像的重構(gòu)質(zhì)量，可獲得峰值信噪比較高的重構(gòu)圖像。


圖1是本發(fā)明的流程圖；圖2是本發(fā)明與現(xiàn)有技術(shù)的正交匹配追蹤OMP方法、迭代硬閾值IHT方法分別對(duì) Lena圖在25%的采樣率下的重構(gòu)圖；圖3是本發(fā)明與現(xiàn)有技術(shù)的正交匹配追蹤OMP方法、迭代硬閾值IHT方法分別對(duì) Lena圖、Barbara圖、Elaine圖的重構(gòu)峰值信噪比PSNR隨采樣率變化的趨勢(shì)對(duì)比圖；圖4是本發(fā)明中參數(shù)最大迭代次數(shù)pmx和BM3D濾波操作中估計(jì)噪聲方差的參數(shù) β對(duì)實(shí)驗(yàn)結(jié)果影響的分析圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步描述。參照?qǐng)D1，本發(fā)明的具體實(shí)施步驟如下步驟1，對(duì)觀測(cè)向量進(jìn)行聚類對(duì)圖像的發(fā)送方發(fā)過(guò)來(lái)的所有圖像塊的觀測(cè)向量，采用仿射傳播聚類AP算法將相似的觀測(cè)向量聚在一起，得到多個(gè)類別的觀測(cè)向量。本發(fā)明實(shí)施例中，將512X512的圖像分成16X16的圖像塊，得到IOM個(gè)圖像塊； 在計(jì)算機(jī)中用matlab軟件將所有圖像塊保存成列向量，將所有圖像塊對(duì)應(yīng)的列向量乘以高斯觀測(cè)矩陣，得到IOM個(gè)觀測(cè)向量。仿射傳播聚類AP算法的具體步驟是第一步，計(jì)算各個(gè)觀測(cè)向量之間的歐式距離，將其負(fù)值存在相似矩陣中，將相似矩陣的中值組成的列向量作為消息矩陣。歐式距離公式為du= I Xi-Xj I2，其中是第i個(gè)觀測(cè)向量與第j個(gè)觀測(cè)向量的歐式距離值，Xi為第i個(gè)觀測(cè)向量，\為第j個(gè)觀測(cè)向量，I
I2是向量的二范數(shù)，將歐式距離的負(fù)值存在相似矩陣中，將相似矩陣的中值組成的列向量作為消息矩陣。第二步，將迭代次數(shù)達(dá)到最大值的時(shí)刻設(shè)置為迭代終止條件。本發(fā)明實(shí)施例中迭代次數(shù)的最大值取100。第三步，利用相似度矩陣計(jì)算觀測(cè)向量之間的吸引度和歸屬度，更新消息矩陣。吸引度和歸屬度的計(jì)算公式如下所示
權(quán)利要求
1. 一種基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法包括如下步驟(1)對(duì)觀測(cè)向量進(jìn)行聚類對(duì)圖像的發(fā)送方發(fā)過(guò)來(lái)的所有圖像塊的觀測(cè)向量采用仿射傳播聚類AP算法將相似的觀測(cè)向量聚在一起，得到多個(gè)類別的觀測(cè)向量；(2)初始化種群2a)將所有圖像塊的稀疏度值設(shè)定為32，對(duì)曲線波Curvelet冗余字典中的所有基原子用正整數(shù)進(jìn)行編號(hào)；2b)對(duì)聚類后的每一類觀測(cè)向量，隨機(jī)選取32個(gè)曲線波Curvelet基原子的編號(hào)作為抗體元素得到一個(gè)抗體，按此方法得到多個(gè)抗體作為該類觀測(cè)向量對(duì)應(yīng)的圖像塊的初始種群；2c)對(duì)聚類后的所有類觀測(cè)向量，按照步驟2b)得到所有類觀測(cè)向量對(duì)應(yīng)的圖像塊的初始種群；(3)類免疫優(yōu)化3a)用每一類觀測(cè)向量乘以高斯觀測(cè)矩陣的廣義逆矩陣，得到每一類觀測(cè)向量對(duì)應(yīng)的圖像塊的稀疏表示系數(shù)向量；3b)按照如下親和度函數(shù)A計(jì)算每一類觀測(cè)向量對(duì)應(yīng)的圖像塊的初始種群中所有抗體的親和度
2.根據(jù)權(quán)利要求1所述的基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，其特征在于，步驟⑴所述的仿射傳播聚類AP算法的步驟如下第一步，計(jì)算各個(gè)觀測(cè)向量之間的歐式距離，將其負(fù)值存在相似矩陣中，將相似矩陣的中值組成的列向量作為消息矩陣；第二步，將迭代次數(shù)達(dá)到最大值的時(shí)刻設(shè)置為迭代終止條件； 第三步，利用相似度矩陣計(jì)算觀測(cè)向量之間的吸引度和歸屬度，更新消息矩陣； 第四步，判斷是否滿足迭代終止條件，若滿足，則執(zhí)行第五步，否則轉(zhuǎn)到第三步； 第五步，將觀測(cè)向量的吸引度和歸屬度相加，取其和的最大觀測(cè)向量做為聚類中心。
3.根據(jù)權(quán)利要求1所述的基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，其特征在于，步驟3c)和步驟9b)所述的克隆操作的具體步驟如下第一步，按照下列公式計(jì)算種群中每個(gè)抗體克隆的規(guī)模
4.根據(jù)權(quán)利要求1所述的基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，其特征在于，步驟3c)和步驟9b)所述的變異操作的具體步驟如下第一步，對(duì)每個(gè)抗體克隆后的抗體群，取其變異概率的值為0. 2 ； 第二步，對(duì)抗體群中每個(gè)抗體元素，從0到1之間取一個(gè)隨機(jī)數(shù)，如果隨機(jī)數(shù)小于等于 0. 2，則用隨機(jī)數(shù)取代抗體元素，否則保持抗體元素不變；第三步，對(duì)抗體群中所有抗體元素按照第二步進(jìn)行處理，得到變異后的抗體群； 第四步，對(duì)所有抗體克隆后的抗體群按照第一步，第二步，第三步進(jìn)行處理，得到所有抗體變異后的抗體群。
5.根據(jù)權(quán)利要求1所述的基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，其特征在于，步驟3c)和步驟9b)所述的選擇操作的具體步驟如下第一步，按照如下親和度函數(shù)B計(jì)算每個(gè)抗體及其變異后的抗體群中所有抗體的親和其中，fB為親和度值，Yi為第i個(gè)觀測(cè)向量，Φ為高斯觀測(cè)矩陣，Ψ為曲線波
6.根據(jù)權(quán)利要求1所述的基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，其特征在于，步驟(5)所述的執(zhí)行濾波，凸投影操作的具體步驟如下第一步，對(duì)步驟4c)得到的圖像用三維塊匹配BM3D濾波器處理，得到濾波后的圖像； 第二步，對(duì)濾波后的圖像進(jìn)行分塊，得到一系列的圖像塊； 第三步，按照下列公式對(duì)每個(gè)圖像塊進(jìn)行凸投影操作Ok =Ok +Φτ{ΦΦτ)~\γ1(-Φθ'()其中，分為凸投影后的第k個(gè)圖像塊，θ k是第k個(gè)圖像塊，①工是高斯觀測(cè)矩陣的轉(zhuǎn)置矩陣，Φ為高斯觀測(cè)矩陣，Yk為第k個(gè)圖像塊對(duì)應(yīng)的觀測(cè)向量；第四步，將所有的圖像塊按照第三步進(jìn)行處理，得到所有凸投影后的圖像塊； 第五步，將所有凸投影后的圖像塊拼到一起得到凸投影后的整幅圖像。
7.根據(jù)權(quán)利要求1所述的基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，其特征在于，步驟7b)所述的步長(zhǎng)的取值為1到100之間的正整數(shù)。
8.根據(jù)權(quán)利要求1所述的基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，其特征在于，步驟7c)所述的正交匹配追蹤OMP算法的具體步驟如下第一步，將圖像塊設(shè)置為初始的殘差信號(hào)，將殘余信號(hào)稀疏分解需要選取的最大原子個(gè)數(shù)設(shè)置為圖像塊稀疏度的值；第二步，將曲線波Curvelet冗余字典中的每個(gè)原子與殘差信號(hào)相乘，得到每個(gè)原子與殘差信號(hào)的內(nèi)積；第三步，將曲線波Curvelet冗余字典中的所有原子按照第二步處理，得到所有原子與殘差信號(hào)的內(nèi)積；第四步，選擇內(nèi)積最大的原子作為最佳原子，采用Gramlchmidt正交化方法對(duì)最佳原子進(jìn)行處理，保存正交化后的最佳原子，保存最大內(nèi)積值；第五步，用殘差信號(hào)減去正交化后的最佳原子與最大內(nèi)積值的乘積，得到新的殘差信號(hào)；第六步，判斷迭代次數(shù)是否大于信號(hào)稀疏分解需要選取的最大原子個(gè)數(shù)，如果滿足，則停止迭代，將所有最大內(nèi)積值作為向量元素，得到圖像塊的稀疏表示系數(shù)向量；否則轉(zhuǎn)至第一止_■少ο
全文摘要
本發(fā)明公開(kāi)了一種基于曲線波冗余字典的免疫優(yōu)化圖像重構(gòu)方法，解決了現(xiàn)有l(wèi)0范數(shù)重構(gòu)技術(shù)重構(gòu)圖像的視覺(jué)效果差的問(wèn)題，實(shí)現(xiàn)的步驟為(1)對(duì)觀測(cè)向量進(jìn)行聚類；(2)初始化種群；(3)類免疫優(yōu)化；(4)重構(gòu)初始圖像；(5)濾波凸投影操作；(6)判斷迭代次數(shù)是否達(dá)到最大值；(7)更新稀疏度；(8)更新種群；(9)圖像塊免疫優(yōu)化；(10)重構(gòu)圖像。本發(fā)明利用免疫克隆優(yōu)化技術(shù)先對(duì)每一類相似的觀測(cè)向量求解一組共同的曲線波Curvelet基原子，再結(jié)合濾波和凸投影的方法，對(duì)每一個(gè)觀測(cè)向量求解一組曲線波Curvelet基原子。本發(fā)明消除了重構(gòu)圖像中的塊效應(yīng)，最終得到了視覺(jué)效果較好的重構(gòu)圖像。
文檔編號(hào)G06N3/12GK102567972SQ20121000164
公開(kāi)日2012年7月11日 申請(qǐng)日期2012年1月4日 優(yōu)先權(quán)日2012年1月4日
發(fā)明者劉芳, 尚榮華, 崔白楊, 戚玉濤, 楊淑媛, 焦李成, 郝紅俠, 馬文萍, 馬紅梅 申請(qǐng)人:西安電子科技大學(xué)