一種基于傅里葉頻譜特征的圖像塊聚類方法技術

一種基于傅里葉頻譜特征的圖像塊聚類方法，首先，對每個圖像塊進行二維快速傅里葉變換以獲取傅里葉域所對應的幅度譜；然后，設定幅度譜上頻率能量最大的方向為第一方向D，將主要譜線方向的數(shù)目定為圖像塊結(jié)構(gòu)復雜度C，并計算頻率分量并設定頻率分量標記；最后根據(jù)每個圖像塊的第一方向D，結(jié)構(gòu)復雜度C和頻率分量標記進行聚類。本發(fā)明專利技術的方法采用頻率譜圖提取圖像塊結(jié)構(gòu)復雜度、結(jié)構(gòu)方向性以及頻率成分分布，以此設計聯(lián)合結(jié)構(gòu)、方向和對比度特性的協(xié)同相似性度量標準，以實現(xiàn)快速、細致的圖像塊數(shù)據(jù)集合的聚類。

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.

【技術實現(xiàn)步驟摘要】
一種基于傅里葉頻譜特征的圖像塊聚類方法
本專利技術涉及圖像處理和模式識別領域，涉及圖像處理逆問題中自適應字典的構(gòu)造和學習，具體涉及一種基于傅里葉域頻譜結(jié)構(gòu)與方向特性的圖像塊聚類方法。
技術介紹
在圖像處理與模式識別中，基于圖像塊的圖像處理逆問題很是常見，包括圖像去噪、去模糊、超分辨率重建及圖像修復等。這類問題的求解通常采用學習算法從訓練樣本數(shù)據(jù)集合中學習得到圖像塊的信號，或是由字典中的一組基對圖像塊信號進行逼近表示。因此，訓練樣本數(shù)據(jù)集合或是字典的性能直接決定了重建結(jié)果。然而，圖像的不同區(qū)域局部內(nèi)容往往不同，如果對整幅圖像使用單一型樣本數(shù)據(jù)或是通用字典，在從大尺度的冗余字典中求解圖像塊的最優(yōu)逼近子空間時，會由于選擇的自由度過高而影響解的穩(wěn)定性和準確性。因此，利用圖像塊聚類技術構(gòu)造融合多個子字典的自適應性復合字典得到推廣和應用。W.Dong提出的采用自適應稀疏域選取的圖像去模糊和超分辨率重建算法中，使用K均值方法將經(jīng)過高通濾波后的圖像塊分為若干子類。與之類似的，非局部均值法和最近鄰嵌入法以灰度值的歐氏距離作為相似性度量，在空間域搜尋相似圖像塊。這類方法中的相似性準則只考慮空間域的圖像灰度歐氏距離，而未考慮圖像塊的結(jié)構(gòu)特征和方向性質(zhì)。另一方面，相關研究者提出根據(jù)圖像塊結(jié)構(gòu)相似度選擇逼近子字典的各種結(jié)構(gòu)化稀疏模型。用于子字典學習的每個聚類應該具有特定的結(jié)構(gòu)特征，例如，邊緣方向、角點位置、平滑或紋理區(qū)域等。其中，根據(jù)圖像塊的方向特性，幾何特征和光度學特征的相似性測度進行聚類，已經(jīng)可以獲得良好的圖像處理結(jié)果。Mallet和Yu采用一組具有方向性的模板進行結(jié)構(gòu)稀疏性初始化，并與高斯混合模型結(jié)合實現(xiàn)聚類。以上基于圖像塊結(jié)構(gòu)特性的聚類方法雖然充分利用了圖像塊的結(jié)構(gòu)特性，但是忽略了圖像塊之間不同的對比度和結(jié)構(gòu)復雜度信息。綜上所述，在基于聚類的圖像處理問題中，圖像塊相似性的度量標準直接影響子字典的學習和性能，并且決定了圖像塊重建模型的最終結(jié)果。然而，現(xiàn)有的圖像塊聚類方法通常只考慮空間域一個或兩個特征項，缺乏由多個特征信息組成的協(xié)同度量標準，這極大的限制了聚類的細致化程度和各類中圖像塊的相似程度。
技術實現(xiàn)思路
本專利技術的主要目的在于克服現(xiàn)有技術中的上述缺陷，根據(jù)傅里葉域幅度譜的結(jié)構(gòu)與方向性，提出一種基于傅里葉頻譜特征的圖像塊聚類方法。本專利技術采用如下技術方案：一種基于傅里葉頻譜特征的圖像塊聚類方法，其特征在于：首先，對每個圖像塊進行二維快速傅里葉變換以獲取傅里葉域所對應的幅度譜；然后，設定幅度譜上頻率能量最大的方向為第一方向D，將主要譜線方向的數(shù)目定為圖像塊結(jié)構(gòu)復雜度C，計算頻率分量并設定頻率分量標記；最后，根據(jù)每個圖像塊的第一方向D，結(jié)構(gòu)復雜度C和頻率分量標記進行聚類。優(yōu)選的，對幅度譜采樣K個方向，將每個方向上的每個頻率點的幅度值相加得到該方向的頻率能量，將最大頻率能量的方向作為該幅度譜的第一方向D。優(yōu)選的，根據(jù)幅度譜全部頻率能量之和設定閾值，并根據(jù)頻率能量大于該閾值所需的方向數(shù)目設定結(jié)構(gòu)復雜度。優(yōu)選的，根據(jù)頻率能量大于該閾值所需的方向數(shù)目設定結(jié)構(gòu)復雜度，具體為：當?shù)谝环较虻念l率能量大于設定閾值時，記為結(jié)構(gòu)復雜度C＝1；當?shù)谝环较?、第二方向的頻率能量之和大于設定閾值時，記為結(jié)構(gòu)復雜度C＝2；當?shù)谝环较颉⒌诙较蚝偷谌较虻念l率能量之和大于設定閾值時，記為結(jié)構(gòu)復雜度C＝3；其它情況下，記為結(jié)構(gòu)復雜度C＝4。優(yōu)選的，所述頻率分量標記是通過將頻譜圖劃分為低、中、高三種頻率分量，根據(jù)該低、中、高三種頻率分量的情況所設定。優(yōu)選的，分別計算該圖像塊的頻譜圖的低、中、高三種頻率分量fl_n，fm_n和fh_n，并分別計算所有圖像塊的低、中、高三種頻率分量的平均值和通過下式得到該圖像塊的頻率分量標記Fl，F(xiàn)m,Fh，由上述對本專利技術的描述可知，與現(xiàn)有技術相比，本專利技術具有如下有益效果：1、本專利技術采用頻率譜圖提取圖像塊結(jié)構(gòu)復雜度、結(jié)構(gòu)方向性以及頻率成分分布，以此設計聯(lián)合結(jié)構(gòu)、方向和對比度特性的協(xié)同相似性度量標準，以實現(xiàn)快速、細致的圖像塊數(shù)據(jù)集合的聚類。2、本專利技術的方法，基于頻率譜第一方向、結(jié)構(gòu)復雜度和頻譜能量分布的復合相似性測度，可以獲得很好的圖像塊聚類效果，每個聚類內(nèi)的圖像塊不僅有著相同的第一方向，同時有著相似的結(jié)構(gòu)復雜度和對比度，結(jié)果比使用灰度歐氏距離的非局部均值搜索方法與K均值方法有更好的聚類結(jié)果。附圖說明圖1為Lena圖在空間域分割為一系列圖像塊；圖2為圖1在傅里葉域所對應頻率譜；圖3為圖1所標記圖像塊#1-18及其對應頻率譜；圖4為圖像塊頻率譜的示意圖，尺寸為11×11，方向θ上的點記為{θ(1),θ(2)…θ(Z)}。零頻率f(0,0)居中，低、中、高三種頻率分量由不同程度的陰影標記。圖5為根據(jù)頻譜圖第一方向D＝1聚類的圖像塊。圖6為根據(jù)頻譜圖第一方向D＝9聚類的圖像塊。圖7為基于頻譜第一方向和結(jié)構(gòu)復雜度的聚類子集D＝1，C＝1-4；圖8為基于頻譜第一方向、結(jié)構(gòu)復雜度和頻率分布的精確聚類子集D＝9，C＝4；圖9為采用類內(nèi)相關性評價指標對本專利技術圖像塊聚類方法(左)與K均值方法(右)聚類結(jié)果的比較圖。具體實施方式以下通過具體實施方式對本專利技術作進一步的描述。由傅里葉理論可知，任何信號都可以表示為一系列正弦函數(shù)之和。一維正弦函數(shù)具有頻率、相位與幅度，二維正弦函數(shù)還具有方向。頻率反映了空間域信號強度的變化，幅度對應空間域信號對比度，相位表示頻率相對原始信號的位移。二維頻譜中每個點的方向與空間域圖像強度變化方向相垂直。由于相位譜所包含新的圖像結(jié)構(gòu)信息不多，在本專利技術中只考慮圖像塊的幅度譜。我們一般把傅里葉域進行頻譜中心化，即把零頻率點(直流分量)移至頻譜中心，傅里葉譜關于中心對稱；同時其具有旋轉(zhuǎn)不變性，圖像旋轉(zhuǎn)一定的角度會導致傅里葉域旋轉(zhuǎn)相同的角度。頻率譜零頻率點的幅度與圖像塊的平均亮度(直流值)成正比，離中心點越遠，頻率越高。高頻分量對應空間域的銳邊，而中頻分量對應著空間域較小的強度變化。由方向正交性可知，空間域的邊緣一般對應頻譜上與其垂直方向上的一列頻譜分量(頻譜線)。如圖1將一幅圖像分割為一系列小塊，然后對每個圖像塊進行二維快速傅里葉變換(FFT)以獲取傅里葉域所對應幅度譜，如圖2所示。由圖2可以觀察到均質(zhì)塊的幅度譜頻率分量集中于譜中心，而含有非穩(wěn)態(tài)信號的圖像塊對應的頻譜含有更多的高頻分量，表現(xiàn)出特定的方向性信息。根據(jù)我們的分析，傅里葉譜結(jié)構(gòu)復雜度可以依據(jù)譜的方向性信息劃分為四個類別。為了更詳細地說明，如圖3所示，我們從圖1挑選一些有代表性的圖像塊進行放大并與其對應頻譜一起展示。圖像塊#1的灰度強度具有均一性，可看到它的頻率能量集中在中心位置。圖像塊#2-6都僅有一條方向單一的邊界，對應其頻譜分量幾乎全都位于與其垂直的方向上。圖像塊#7-12的每個頻譜都有兩個明顯的頻率方向，說明它們空間域灰度強度的變化可以分為兩個方向。同樣，最后一行的圖像塊#13-15頻率分量沿三個方向分布，表現(xiàn)出更加復雜的圖像塊結(jié)構(gòu)。對于圖像塊#16-18，其空間域雜亂的結(jié)構(gòu)導致相應頻譜的頻率能量散布在各個方向，而不具顯著的方向性。由以上分析可知，圖像塊頻譜結(jié)構(gòu)與其空間域結(jié)構(gòu)特征有著直接關系，從傅里葉域能夠提取出多個特征用于圖像塊的聚類。即使對于僅根據(jù)空間域強度不本文檔來自技高網(wǎng)...

【技術保護點】
一種基于傅里葉頻譜特征的圖像塊聚類方法，其特征在于：首先，對每個圖像塊進行二維快速傅里葉變換以獲取傅里葉域所對應的幅度譜；然后，設定幅度譜上頻率能量最大的方向為第一方向D，將主要譜線方向的數(shù)目定為圖像塊結(jié)構(gòu)復雜度C，計算頻率分量并設定頻率分量標記；最后，根據(jù)每個圖像塊的第一方向D，結(jié)構(gòu)復雜度C和頻率分量標記進行聚類。

【技術特征摘要】
1.一種基于傅里葉頻譜特征的圖像塊聚類方法，其特征在于：首先，對每個圖像塊進行二維快速傅里葉變換以獲取傅里葉域所對應的幅度譜；然后，設定幅度譜上頻率能量最大的方向為第一方向D，將主要譜線方向的數(shù)目定為圖像塊結(jié)構(gòu)復雜度C，計算頻率分量并設定頻率分量標記；最后，根據(jù)每個圖像塊的第一方向D，結(jié)構(gòu)復雜度C和頻率分量標記進行聚類。2.如權(quán)利要求1所述的一種基于傅里葉頻譜特征的圖像塊聚類方法，其特征在于：對幅度譜采樣K個方向，將每個方向上的每個頻率點的幅度值相加得到該方向的頻率能量，將最大頻率能量的方向作為該幅度譜的第一方向D。3.如權(quán)利要求1所述的一種基于傅里葉頻譜特征的圖像塊聚類方法，其特征在于：根據(jù)幅度譜全部頻率能量之和設定閾值，并根據(jù)頻率能量大于該閾值所需的方向數(shù)目設定結(jié)構(gòu)復雜度。4.如權(quán)利要求3所述的一種基于傅里葉頻譜特征的圖像塊聚類方法，其特征在于：根據(jù)頻率能量大于該閾值所需的方向數(shù)目設定結(jié)構(gòu)復雜度，具體為：當?shù)谝环较虻念l率能量大于設定閾值時，記為結(jié)構(gòu)復雜度C＝1；當?shù)谝环较?、第二方向?..

【專利技術屬性】
技術研發(fā)人員：包立君，葉富澤，
申請(專利權(quán))人：廈門大學，
類型：發(fā)明
國別省市：福建,35