【技术实现步骤摘要】
本申请涉及及图像处理，尤其涉及一种图像重构方法、装置、计算机设备及可读存储介质。
技术介绍
1、图像重构是解决许多科学与工程问题的常用技术之一，通过图像重构，可以有效解决许多实际问题。图像重构技术在多个领域具有广泛的应用，这些领域包括系统识别、医学成像、计算机视觉、信号处理、地球物理学、过程控制、遥感、无线通信、无损检测和人工智能等。图像重构技术为各行各业的技术创新提供了强有力的支撑。
2、相关技术中，一般采用凸优化算法(例如最小绝对收缩、选择算子和l1-极小化方法等)对图像进行重构。凸优化算法可以使用稀疏性正则化项来恢复图像。然而，随着图像重构问题规模的不断增大，很多实际的图像重构问题所包含的变量数目常常达到亿级的规模，由此导致凸优化算法陷入了难以克服的计算瓶颈，进而出现在处理大规模图像重构时，重构效率和重构精度降低的问题。
技术实现思路
1、本申请实施例的主要目的在于提出一种图像重构方法、装置、计算机设备及可读存储介质，能够提高图像重构的效率和精确性。
2、为实现上述目的，本申请实施例的第一方面提出了一种图像重构方法，所述方法包括：
3、获取待重构图像的测量矩阵，并通过所述测量矩阵对所述待重构图像进行线性测量，得到所述待重构图像的观测向量；
4、将所述测量矩阵划分为由多个子矩阵组成的级联正交矩阵，并根据所述多个子矩阵对所述观测向量进行划分，得到与所述多个子矩阵对应的多个子分配向量；
5、基于每个子矩阵和每个子分配向量确
6、获取所述第一初始解的第一图像稀疏度估计值，并基于所述第一图像稀疏度估计值确定所述第一初始解中的第一非显著指标集；
7、基于所述第一非显著指标集、所述测量矩阵和所述观测向量构建第一约束模型，并对所述第一约束模型进行最小化差异求解，得到所述待重构图像的重构结果。
8、为实现上述目的，本申请实施例的第二方面提出了一种图像重构装置，所述装置包括：
9、获取模块，用于获取待重构图像的测量矩阵，并通过所述测量矩阵对所述待重构图像进行线性测量，得到所述待重构图像的观测向量；
10、划分模块，用于将所述测量矩阵划分为由多个子矩阵组成的级联正交矩阵，并根据所述多个子矩阵对所述观测向量进行划分，得到与所述多个子矩阵对应的多个子分配向量；
11、融合模块，用于基于每个子矩阵和每个子分配向量确定对应的子初始解，并将所述多个子矩阵和所述多个子分配向量对应的多个子初始解进行融合，得到所述待重构图像对应的第一初始解；
12、确定模块，用于获取所述第一初始解的第一图像稀疏度估计值，并基于所述第一图像稀疏度估计值确定所述第一初始解中的第一非显著指标集；
13、求解模块，用于基于所述第一非显著指标集、所述测量矩阵和所述观测向量构建第一约束模型，并对所述第一约束模型进行最小化差异求解，得到所述待重构图像的重构结果。
14、在一些实施方式中，所述确定模块，还用于：
15、基于所述第一图像稀疏度估计值，确定对所述第一初始解的第一提取阈值；
16、在所述第一初始解中，按照各子初始解的绝对值确定与所述第一提取阈值数量相等的多个第一解分量；
17、获取所述多个第一解分量在所述第一初始解中的多个位置索引，并基于所述位置索引，确定所述第一初始解的第一显著指标集；
18、基于所述显著指标集，确定所述第一初始解的第一非显著指标集。
19、在一些实施方式中，所述求解模块，还用于：
20、对所述第一约束模型进行最小化差异求解，得到第一中间解；
21、获取所述第一中间解的第二图像稀疏度估计值；
22、基于所述第二图像稀疏度估计值确定所述第一中间解中的第二非显著指标集；其中，所述第二图像稀疏度估计值小于所述第一提取阈值；
23、基于所述第二非显著指标集、所述测量矩阵和所述观测向量构建第二约束模型，并对所述第二约束模型进行最小化差异求解，得到所述待重构图像的重构结果。
24、在一些实施方式中，所述图像重构装置还包括更新模块，用于：
25、根据所述重构结果和所述多个子矩阵对所述观测向量进行划分，得到与所述多个子矩阵对应的多个更新的子分配向量；
26、基于每个子矩阵和每个更新的子分配向量确定对应的更新的子初始解，并将所述多个更新的子初始解进行融合，得到所述待重构图像对应的第二初始解；
27、获取所述第二初始解的第三图像稀疏度估计值，并基于所述第三图像稀疏度估计值确定所述第二初始解中的第三非显著指标集；
28、基于所述第三非显著指标集、所述测量矩阵和所述观测向量构建第三约束模型，并对所述第三约束模型进行最小化差异求解，得到所述待重构图像的更新的重构结果；
29、重复根据所述更新的重构结果和所述多个子矩阵对所述观测向量进行划分，得到与所述多个子矩阵对应的多个更新的子分配向量；基于每个子矩阵和每个更新的子分配向量确定对应的更新的子初始解，并将所述多个更新的子初始解进行融合，得到所述待重构图像对应的更新的第二初始解；获取所述更新的第二初始解的更新的第三图像稀疏度估计值，并基于所述更新的第三图像稀疏度估计值确定所述更新的第二初始解中的更新的第三非显著指标集；基于所述更新的第三非显著指标集、所述测量矩阵和所述观测向量构建更新的第三约束模型，并对所述更新的第三约束模型进行最小化差异求解，得到所述待重构图像的更新的重构结果，直至所述更新的重构结果与上一次的重构结果之间的差值小于预设阈值，将所述更新的重构结果作为所述待重构图像的重构结果。
30、在一些实施方式中，所述图像重构装置还包括重新划分模块，用于：
31、根据所述第一初始解中多个无效分量的分布，确定所述第一初始解的聚类系数；
32、当所述聚类系数大于聚类阈值时，基于所述多个无效分量的分布对所述测量矩阵进行重新划分，得到多个更新的子矩阵；
33、根据所述多个更新的子矩阵对所述观测向量进行划分，得到与所述多个更新的子矩阵对应的多个更新的子分配向量；
34、基于每个更新的子矩阵和每个更新的子分配向量确定对应的更新的子初始解，并将所述多个更新的子矩阵和所述多个更新的子分配向量对应的多个更新的子初始解进行融合，得到所述待重构图像对应的更新的第一初始解。
35、在一些实施方式中，所述划分模块，还用于：
36、获取针对所述待重构图像预设的参考解，并基于所述参考解确定每个子矩阵对应的初始子分配向量；
37、基于所述观测向量和多个初始子分配向量，确定首个子分配向量；
38、将所述首个子分配向量加入已分配集合，并基于所述观测向量、所述已分配集合和所述多个初始子分配向量确本文档来自技高网...
【技术保护点】
1.一种图像重构方法，其特征在于，所述方法包括：
2.根据权利要求1所述的图像重构方法，其特征在于，所述基于所述第一图像稀疏度估计值确定所述第一初始解中的第一非显著指标集，包括：
3.根据权利要求2所述的图像重构方法，其特征在于，所述对所述第一约束模型进行最小化差异求解，得到所述待重构图像的重构结果，包括：
4.根据权利要求1所述的图像重构方法，其特征在于，所述对所述第一约束模型进行最小化差异求解，得到所述待重构图像的重构结果之后，还包括：
5.根据权利要求1所述的图像重构方法，其特征在于，所述将所述多个子矩阵和所述多个子分配向量对应的多个子初始解进行融合，得到所述待重构图像对应的第一初始解之后，还包括：
6.根据权利要求1所述的图像重构方法，其特征在于，所述根据所述多个子矩阵对所述观测向量进行划分，得到与所述多个子矩阵对应的多个子分配向量，包括：
7.根据权利要求1所述的图像重构方法，其特征在于，所述基于所述第一非显著指标集、所述测量矩阵和所述观测向量构建第一约束模型，包括：
8.一种图像重构装
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的图像重构方法。
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的图像重构方法。
...【技术特征摘要】
1.一种图像重构方法，其特征在于，所述方法包括：
2.根据权利要求1所述的图像重构方法，其特征在于，所述基于所述第一图像稀疏度估计值确定所述第一初始解中的第一非显著指标集，包括：
3.根据权利要求2所述的图像重构方法，其特征在于，所述对所述第一约束模型进行最小化差异求解，得到所述待重构图像的重构结果，包括：
4.根据权利要求1所述的图像重构方法，其特征在于，所述对所述第一约束模型进行最小化差异求解，得到所述待重构图像的重构结果之后，还包括：
5.根据权利要求1所述的图像重构方法，其特征在于，所述将所述多个子矩阵和所述多个子分配向量对应的多个子初始解进行融合，得到所述待重构图像对应的第一初始解之后，还包括：
6.根据...
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。