《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于字典學(xué)習(xí)的古建筑圖像修復(fù)研究
基于字典學(xué)習(xí)的古建筑圖像修復(fù)研究
2016年電子技術(shù)應(yīng)用第12期
楊 茹1,秦振濤1,楊武年2
1.攀枝花學(xué)院 數(shù)學(xué)與計(jì)算機(jī)學(xué)院,四川 攀枝花617000; 2.成都理工大學(xué) 地學(xué)空間信息技術(shù)國(guó)土資源部重點(diǎn)實(shí)驗(yàn)室,四川 成都610059
摘要: 古代建筑圖紙是我國(guó)重要的民族瑰寶,亟待利用現(xiàn)代計(jì)算機(jī)技術(shù)對(duì)古代建筑圖紙進(jìn)行信息化和修復(fù)。提出了一種新的基于字典學(xué)習(xí)的古建筑圖像修復(fù)模型,通過(guò)K-svd算法進(jìn)行字典學(xué)習(xí),在稀疏域利用已知像素信息填充缺損像素,從而實(shí)現(xiàn)對(duì)古建筑圖像的修復(fù)及噪聲的濾除。實(shí)驗(yàn)表明,該算法能較好地修復(fù)古建筑圖像,降低圖像的均方誤差,在實(shí)際應(yīng)用中具有良好的可行性和應(yīng)用前景。
中圖分類(lèi)號(hào): TN911
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2016.12.013
中文引用格式: 楊茹,秦振濤,楊武年. 基于字典學(xué)習(xí)的古建筑圖像修復(fù)研究[J].電子技術(shù)應(yīng)用,2016,42(12):51-53,57.
英文引用格式: Yang Ru,Qin Zhentao,Yang Wunian. Study on inpainting of drawings of ancient buildings based on dictionary learning[J].Application of Electronic Technique,2016,42(12):51-53,57.
Study on inpainting of drawings of ancient buildings based on dictionary learning
Yang Ru1,Qin Zhentao1,Yang Wunian2
1.School of Mathematics and Computer Science,Panzhihua College,Panzhihua 617000,China; 2.Key Laboratory of Geo-special Information Technology,Ministry of Land and Resources,Chengdu University of Technology, Chengdu 610059,China
Abstract: Drawings of ancient buildings are tenures of traditional Chinese culture, and need to be informatization and inpainting urgently. A novel model of inpainting the drawings of ancient buildings is proposed, which carry on the dictionary learning by K-svd algorithm, and filling missing pixels by known pixels in sparse domain,so as to implement the inpainting of drawings of ancient buildings and remove impulsive noise. The experimental results show that the algorithm can inpaint the image more effectively and decrease the RMSE, this method has better performance than other dictionary learning algorithm, and has good application potential and good application prospects.
Key words : sparse representation;drawings of ancient buildings;dictionary learning;inpainting of drawings

0 引言

    古代建筑圖紙能夠反映古人對(duì)建筑獨(dú)特的認(rèn)識(shí)與理解,不僅具有極高的歷史價(jià)值、文化價(jià)值和科學(xué)價(jià)值,同時(shí)也是現(xiàn)代仿古建筑、園林景觀和旅游景區(qū)的重要借鑒[1]。建筑圖紙的質(zhì)地、圖形、字體及涂料具有多樣性,需要特別的保護(hù)。當(dāng)前,在實(shí)際的工作環(huán)境中,大部分建筑圖紙以卷宗的形式進(jìn)行保存,隨著時(shí)間的變遷,建筑圖紙的缺損非常嚴(yán)重,且在掃描、微縮處理中,圖紙的像素丟失嚴(yán)重。對(duì)建筑圖紙進(jìn)行修復(fù)、評(píng)估及再利用,一直作為建筑學(xué)科及計(jì)算機(jī)圖像處理等領(lǐng)域的研究熱點(diǎn)而受到關(guān)注[2]。僛文峰等人指出圖紙的破損主要是由于圖紙質(zhì)地的酸性化而變黃、發(fā)干, 以及隨之而來(lái)的粉碎和撕毀情況比較嚴(yán)重;由于時(shí)間久遠(yuǎn),圖紙質(zhì)地及顏料也會(huì)出現(xiàn)不同程度的缺損、黃色斑點(diǎn)等破損;在對(duì)古建筑圖紙進(jìn)行信息化加工的過(guò)程中也會(huì)造成像素的丟失,出現(xiàn)黑色斑點(diǎn)等。本文針對(duì)掃描及微縮以后的古建筑圖像提出一種新的基于字典學(xué)習(xí)的修復(fù)方法,該算法在稀疏域針對(duì)污損圖像的特迭代處理,從而達(dá)到古建筑圖紙修復(fù)的目的。通過(guò)實(shí)驗(yàn)表明,該算法能較好地修復(fù)古建筑圖像,降低了圖像的均方誤差,在實(shí)際應(yīng)用中具有良好的前景。

1 古建筑圖像修復(fù)模型

1.1 基于稀疏表示的古建筑圖像處理模型

    在圖像處理領(lǐng)域[3],任一理想的古建筑圖像可以表示為y0∈RN,稀疏表示的目標(biāo)是找到一個(gè)稀疏表示向量x0,且x0的0范數(shù)||x0||0=k0,滿足:y0=Ax0。A為字典,B為圖像退化算子,表示圖像丟失掉的p個(gè)采樣,則:y=By0。B表示單位矩陣(大小為:n×n)根據(jù)丟失掉的(缺損)采樣去除p行后的矩陣,其大小為(n-p)×n,則古建筑圖像修復(fù)問(wèn)題就轉(zhuǎn)化為求其稀疏表示向量ck1-gs1-s1.gif進(jìn)而獲得未降質(zhì)圖像ck1-gs1-s2.gif則可以建模為式(1)[4]

ck1-gs1-2.gif

1.2 對(duì)模型的求解

    該問(wèn)題中由于原始古建筑圖像y0未知,且古建筑圖像一般較大,存在多種類(lèi)型的缺損,因此需要對(duì)大的圖像進(jìn)行分塊。根據(jù)給定的字典A,將大的圖像分割成一些小的塊后,每個(gè)塊都有其稀疏表示系數(shù),降質(zhì)操作B為一矩陣,根據(jù)Elad等人的原理,該問(wèn)題屬于M-稀疏域模型,則可以轉(zhuǎn)化如下最大后驗(yàn)概率問(wèn)題[5]

ck1-gs3-5.gif

    下一部分獲得該模型中字典A的求解,通過(guò)式(5)能夠獲得輸出圖像,對(duì)丟失掉的像素,通過(guò)塊中已知像素進(jìn)行平均獲得。

2 字典學(xué)習(xí)算法

    字典學(xué)習(xí)過(guò)程一般分為2個(gè)階段,分別是稀疏編碼及字典更新。在對(duì)式(5)求解時(shí),一般假設(shè)字典A∈Rn×k(k>n)為已知,如DCT、DWT和FFT等。為了進(jìn)一步提高修復(fù)古建筑圖像的修復(fù)能力,本文分別通過(guò)MOD算法和K-SVD算法進(jìn)行字典學(xué)習(xí),在字典學(xué)習(xí)過(guò)程中需考慮缺損像素。因此,一旦獲得字典,就可以完成稀疏編碼,然后固定系數(shù),再更新字典,從而轉(zhuǎn)化為求式(6)錯(cuò)誤的最小值:

    ck1-gs6.gif

2.1 MOD字典學(xué)習(xí)算法

    MOD算法(Method of Optimal Direction)也稱為最優(yōu)方向法[6],該算法由K.Engan等人在1999年提出,通過(guò)對(duì)錯(cuò)誤求導(dǎo),然后令其為0,則可得:

ck1-gs7-8.gif

2.2 改進(jìn)的K-SVD字典學(xué)習(xí)算法

    本文根據(jù)缺損的古建筑圖像進(jìn)行K-SVD字典學(xué)習(xí),利用K-SVD算法[7]每次更新字典A的一列,對(duì)字典的第j列aj,根據(jù)式(6),僅有第k塊用到了這個(gè)原子,將其表示為域Pk,則可將式(6)進(jìn)行如下轉(zhuǎn)化:

ck1-gs9-12.gif

    將圖像塊合并后輸出即可獲得最終修復(fù)圖像,經(jīng)過(guò)字典學(xué)習(xí)后獲得的MOD字典及K-SVD字典如圖1和圖2所示。由圖可見(jiàn),K-SVD字典包含了缺損圖像形變區(qū)的原子,表明K-SVD字典能夠根據(jù)圖像的特點(diǎn)進(jìn)行自適應(yīng)調(diào)整,從而保留更多的細(xì)節(jié)和邊緣信息,更加有利于后續(xù)的處理。

ck1-t1-2.gif

2.3 算法分析

    該算法的計(jì)算復(fù)雜度可以分為兩部分:稀疏編碼、字典更新(迭代J次)與最終的輸出過(guò)程構(gòu)成。古建筑圖像中的每個(gè)像素點(diǎn)的計(jì)算復(fù)雜度為:O(K×L×J),其中,K為字典的列向量的個(gè)數(shù),L為每個(gè)系數(shù)的非零元素的個(gè)數(shù),一般取決于古建筑圖像的噪聲的方差和缺損像素的個(gè)數(shù)。

3 模擬實(shí)驗(yàn)

    對(duì)本文提出算法的性能進(jìn)行測(cè)試,實(shí)驗(yàn)用古建筑圖像稱為重檐四角亭,來(lái)源于成都理工大學(xué);圖像的大小為256×256。實(shí)驗(yàn)所使用的PC是CPU 3.0 GHz,內(nèi)存為2 GB,算法用GNUOctave進(jìn)行實(shí)現(xiàn)。圖3分別為加噪20 dB后,損失50%像素后的原始古建筑圖像,以及采用MOD字典學(xué)習(xí)算法的修復(fù)結(jié)果和采用K-SVD字典學(xué)習(xí)算法的修復(fù)結(jié)果圖。設(shè)置字典原子的個(gè)數(shù)為256,圖像塊大小為8×8。圖4為隨著迭代次數(shù)的增加,MOD字典學(xué)習(xí)算法和K-SVD字典學(xué)習(xí)算法的修復(fù)效果對(duì)比圖。表1為采用MOD字典學(xué)習(xí)算法和K-SVD字典學(xué)習(xí)算法迭代15次后所獲得的RMSE(均方根誤差)。由圖3可見(jiàn),采用K-SVD算法修復(fù)的效果明顯優(yōu)于采用MOD算法修復(fù)的效果,尤其是右上角塔頂處的局部放大圖所示。

ck1-t3.gif

ck1-t4.gif

ck1-b1.gif

    本實(shí)驗(yàn)中運(yùn)用K-SVD字典學(xué)習(xí)算法實(shí)現(xiàn)了對(duì)古建筑圖像的修復(fù),由圖4可見(jiàn),K-SVD字典學(xué)習(xí)算法的修復(fù)效果優(yōu)于MOD字典學(xué)習(xí)算法,且 K-SVD算法的魯棒性更強(qiáng)。

4 結(jié)論

    本文通過(guò)對(duì)缺損古建筑圖像問(wèn)題進(jìn)行建模,然后利用字典學(xué)習(xí)算法實(shí)現(xiàn)對(duì)缺損圖像的修復(fù)。通過(guò)對(duì)重檐四角亭古建筑圖像進(jìn)行修復(fù)試驗(yàn),表明K-SVD字典學(xué)習(xí)算法具有更優(yōu)的效果。本文利用機(jī)器學(xué)習(xí)及圖像處理技術(shù)對(duì)解決古建筑圖紙、古文獻(xiàn)修復(fù)等問(wèn)題提出了新的思路,對(duì)該算法的優(yōu)化和應(yīng)用的拓展是下一步研究的重點(diǎn)。

參考文獻(xiàn)

[1] 王茹.古建筑數(shù)字化及三維建模關(guān)鍵技術(shù)研究[D].西安:西北大學(xué),2010.

[2] 李四明.工程圖紙輸入與自動(dòng)識(shí)別系統(tǒng)的研究[D].北京:中國(guó)農(nóng)業(yè)大學(xué),2000.

[3] N Metaxas D,AXEL L.Recent novel methods and approaches in sparsity-based compressive sensing and sparse learning have shown promising results. Introduction[J].Med Image Anal,2014,18(6):819.

[4] ELDAR Y C.Compressed sensing:theory and applications[M].Cambridge University Press,2012:556.

[5] ELAD M,AHARON M.Image denoising via sparse and redundant representations over learned dictionaries[J].IEEE Transactions Image Process,2006,15(12):3736-3745.

[6] OLSHAUSEN B A,F(xiàn)IELD D J.Sparse coding with an overcomplete basis set: a strategy employed by V1[J].Vision Research,1997,37(23):3311-3325.

[7] RUBINSTEIN R,PELEG T,ELAD M.Analysis K-SVD:a dictionary-learning algorithm for the analysis sparse model[J].IEEE Transactions on Signal Processing,2013,61(3):661-677.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。