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。本发明专利技术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。
An image block clustering method based on Fourier spectrum feature
An image block clustering method based on spectral features of Fu Liye, first of all, two-dimensional fast Fu Liye transform of each image block to obtain the Fu Liye domain corresponding to the amplitude spectrum; then, setting the amplitude spectrum of frequency of maximum energy direction for the first D, the number of main line direction for image block structure complexity C, and calculate the frequency components and set the frequency marker; finally according to the first direction D of each image block, the cluster structure complexity and C frequency component labeling. The method of the invention adopts frequency extraction of image block structure complexity, structure direction and frequency of distribution patterns, in order to design the joint structure, direction and contrast characteristics of collaborative similarity measure, in order to achieve clustering fast and detailed image block data set.
【技术实现步骤摘要】
一种基于傅里叶频谱特征的图像块聚类方法
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术采用如下技术方案: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。优选的,所述频率分量标记是通过将频谱图划分为低、中、高三种频率分量,根据该低、中、高三种频率分量的情况所设定。优选的,分别计算该图像块的频谱图的低、中、高三种频率分量fl_n,fm_n和fh_n,并分别计算所有图像块的低、中、高三种频率分量的平均值和通过下式得到该图像块的频率分量标记Fl,Fm,Fh,由上述对本专利技术的描述可知,与现有技术相比,本专利技术具有如下有益效果:1、本专利技术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。2、本专利技术的方法,基于频率谱第一方向、结构复杂度和频谱能量分布的复合相似性测度,可以获得很好的图像块聚类效果,每个聚类内的图像块不仅有着相同的第一方向,同时有着相似的结构复杂度和对比度,结果比使用灰度欧氏距离的非局部均值搜索方法与K均值方法有更好的聚类结果。附图说明图1为Lena图在空间域分割为一系列图像块;图2为图1在傅里叶域所对应频率谱;图3为图1所标记图像块#1-18及其对应频率谱;图4为图像块频率谱的示意图,尺寸为11×11,方向θ上的点记为{θ(1),θ(2)…θ(Z)}。零频率f(0,0)居中,低、中、高三种频率分量由不同程度的阴影标记。图5为根据频谱图第一方向D=1聚类的图像块。图6为根据频谱图第一方向D=9聚类的图像块。图7为基于频谱第一方向和结构复杂度的聚类子集D=1,C=1-4;图8为基于频谱第一方向、结构复杂度和频率分布的精确聚类子集D=9,C=4;图9为采用类内相关性评价指标对本专利技术图像块聚类方法(左)与K均值方法(右)聚类结果的比较图。具体实施方式以下通过具体实施方式对本专利技术作进一步的描述。由傅里叶理论可知,任何信号都可以表示为一系列正弦函数之和。一维正弦函数具有频率、相位与幅度,二维正弦函数还具有方向。频率反映了空间域信号强度的变化,幅度对应空间域信号对比度,相位表示频率相对原始信号的位移。二维频谱中每个点的方向与空间域图像强度变化方向相垂直。由于相位谱所包含新的图像结构信息不多,在本专利技术中只考虑图像块的幅度谱。我们一般把傅里叶域进行频谱中心化,即把零频率点(直流分量)移至频谱中心,傅里叶谱关于中心对称;同时其具有旋转不变性,图像旋转一定的角度会导致傅里叶域旋转相同的角度。频率谱零频率点的幅度与图像块的平均亮度(直流值)成正比,离中心点越远,频率越高。高频分量对应空间域的锐边,而中频分量对应着空间域较小的强度变化。由方向正交性可知,空间域的边缘一般对应频谱上与其垂直方向上的一列频谱分量(频谱线)。如图1将一幅图像分割为一系列小块,然后对每个图像块进行二维快速傅里叶变换(FFT)以获取傅里叶域所对应幅度谱,如图2所示。由图2可以观察到均质块的幅度谱频率分量集中于谱中心,而含有非稳态信号的图像块对应的频谱含有更多的高频分量,表现出特定的方向性信息。根据我们的分析,傅里叶谱结构复杂度可以依据谱的方向性信息划分为四个类别。为了更详细地说明,如图3所示,我们从图1挑选一些有代表性的图像块进行放大并与其对应频谱一起展示。图像块#1的灰度强度具有均一性,可看到它的频率能量集中在中心位置。图像块#2-6都仅有一条方向单一的边界,对应其频谱分量几乎全都位于与其垂直的方向上。图像块#7-12的每个频谱都有两个明显的频率方向,说明它们空间域灰度强度的变化可以分为两个方向。同样,最后一行的图像块#13-15频率分量沿三个方向分布,表现出更加复杂的图像块结构。对于图像块#16-18,其空间域杂乱的结构导致相应频谱的频率能量散布在各个方向,而不具显著的方向性。由以上分析可知,图像块频谱结构与其空间域结构特征有着直接关系,从傅里叶域能够提取出多个特征用于图像块的聚类。即使对于仅根据空间域强度不本文档来自技高网...
【技术保护点】
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。
【技术特征摘要】
1.一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。2.如权利要求1所述的一种基于傅里叶频谱特征的图像块聚类方法,其特征在于: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。3.如权利要求1所述的一种基于傅里叶频谱特征的图像块聚类方法,其特征在于: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。4.如权利要求3所述的一种基于傅里叶频谱特征的图像块聚类方法,其特征在于: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...
【专利技术属性】
技术研发人员:包立君,叶富泽,
申请(专利权)人:厦门大学,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。