【图像修复】KSVD算法图像修复【含Matlab源码 3466期】

最新推荐文章于 2024-04-12 19:41:05 发布

Matlab武动乾坤

最新推荐文章于 2024-04-12 19:41:05 发布

阅读量899

点赞数 18

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135500367

版权

Matlab图像处理（进阶版）专栏收录该内容

894 篇文章 19 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、OMP算法图像修复

1 前言
在实际应用中，我们的图像常常会被噪声腐蚀，这些噪声或是镜头上的灰尘或水滴，或是旧照片的划痕，或者是图像遭到人为的涂画（比如马赛克）或者图像的部分本身已经损坏。

2 图像修复技术的原理
简而言之，就是利用那些已经被破坏的区域的边缘，即边缘的颜色和结构，根据这些图像留下的信息去推断被破坏的信息区的信息内容，然后对破坏区进行填补，以达到图像修补的目的。
第一个参数src，输入的单通道或三通道图像；
第二个参数inpaintMask，图像的掩码，单通道图像，大小跟原图像一致，inpaintMask图像上除了需要修复的部分之外其他部分的像素值全部为0；
第三个参数dst，输出的经过修复的图像；
第四个参数inpaintRadius，修复算法取的邻域半径，用于计算当前像素点的差值；
第五个参数flags，修复算法，有两种：INPAINT_NS 和I NPAINT_TELEA；

3 KSVD算法图像修复
KSVD算法是一种基于字典学习的图像修复算法，其主要思想是通过学习一组字典，将待修复图像分解为若干个基础元素的线性组合，从而实现图像的修复。下面是KSVD算法图像修复的步骤：
（1）准备数据：将待修复的图像转化为矩阵形式，并将其分解为若干个小块。
（2）初始化字典：随机生成一个字典，并对其进行归一化处理。
（3）迭代更新字典：对于每个小块，使用KSVD算法更新字典，使其更好地适应数据。
（4）稀疏编码：对于每个小块，使用更新后的字典进行稀疏编码，得到其系数矩阵。
（5）重构图像：将每个小块的系数矩阵与更新后的字典相乘，得到重构后的小块，最后将所有小块拼接起来，得到修复后的图像。

⛄二、部分源代码

clc
clear all;
close all;

bb=8; % block size
K=256; % number of atoms in the dictionary
overlap = 3; %number of pixels between consecutive patches
J = 10; % Number of iteration in KSVD

img=imread(‘Test_Fig2_Missing.png’);
figure(1);imshow(img); title(‘受损图像’); %显示受损图像

Case = 3;
switch Case
%% Interpolation
case 1
Mask = double(~(img(:,:,1)==0));
for channel = 1:3
IMin0 = img(:,:,channel);
IMin0= double(IMin0);
out(:,:,channel) = Interpolation(IMin0,~Mask);
end

     figure(2);imshow(img_out); title('修复的图像'); %显示修复的图像
    %imshow(uint8(out))
    imwrite(uint8(out),strcat('Test1_Interpolation_Result','.png'),'png')
%% OMP
case 2 
    [N,M,dim]=size(img);
    img = double(img);
    NN = ceil((N-bb)/overlap) * overlap + bb;
    MM = ceil((M-bb)/overlap) * overlap + bb;
    img_new = 255 * zeros(NN,MM,dim);
    img_new(1:N,1:M,:) = img;  
    %imshow(uint8(img_new))

    
    %Compute mask and extracting its patches
    Mask = double(~(img_new(:,:,1)==0));
    blkMask = overlap_im2col(Mask, bb, overlap);
    
    
    img_yuv = rgb2ycbcr(uint8(img_new));
    img_inpaint_yuv = zeros(size(img_yuv));
    % Interpolation CbCr Componet
    img_inpaint_yuv(:,:,2) = Interpolation(double(img_yuv(:,:,2)),~Mask); 
    img_inpaint_yuv(:,:,3) = Interpolation(double(img_yuv(:,:,3)),~Mask);


    IMin0 = double(img_yuv(:,:,1)); 

    % The dictionary DCT
    DCT=zeros(bb,sqrt(K));
    for k=0:1:sqrt(K)-1,
        V=cos([0:1:bb-1]'*k*pi/sqrt(K));
        if k>0 
            V=V-mean(V); 
        end;
        DCT(:,k+1)=V/norm(V);
    end;
    DCT=kron(DCT,DCT);

    % Extracting the noisy image patches
    blkMatrixIm = overlap_im2col(IMin0, bb, overlap);
    
    
 
    sigma = 0.001;  % 0.005  0.01
    rc_min = 0.01; % rc_min: minimal residual correlation before stopping pursuit
    max_coeff = 10; % max_coeff: sparsity constraint for signal representation 10

    % Inpainting the Patches (OMP)
    Coeff=OMP_Inpainting(DCT,blkMatrixIm.*blkMask,blkMask,sigma,rc_min,max_coeff); %256*146405
    Coeff = full(Coeff);
    
    
    % Creating the output image
    imag_Y = overlap_col2im(DCT*Coeff, blkMask, bb, overlap, size(img_new));
    imag_Y=max(min(imag_Y,255),0);

    img_inpaint_yuv(:,:,1) = imag_Y; 
    img_inpaint_rgb = ycbcr2rgb(uint8(img_inpaint_yuv));
    img_out = img_inpaint_rgb(1:N,1:M,:);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]张汝峰,项璟,陈鹏,张亚娟,张喜英,薛瑞.基于FMM算法的深度图像修复研究[J].湖北农机化. 2020,(01)
[2]齐玲,王锦.一种基于Criminisi算法改进的图像修复技术[J].软件导刊. 2019,18(04)
[3]何埜,李光耀,肖莽,谢力,彭磊,唐可.基于深度信息的图像修复算法[J].计算机应用. 2015,35(10)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合