一种紧框架Grouplet关联域计算方法与流程

本发明涉及一种图像处理方法，尤其涉及一种紧框架grouplet关联域计算方法。

背景技术：

几笔线条就可以勾勒出一个特征很明显的图形或者纹理。自然图像一般都包含由局部方向结构构成的区域。能够更好的表示图像中复杂几何信息和得到图像的稀疏表示是图像处理的关键。

小波变换可以依据局部图像的规则性来自适应的调整图像处理中的分辨率，因而它对于图像的表示特别高效。然而小波基在表示几何结构的图像上不是最优的，因为它的方支撑不能自适应表示方向几何属性。curvelets，contourlets，curvelets，bnadlets，wedgelets先后被提出来用以改进这一问题，并在特定的图像处理应用中取得了不错的效果，然而它们在实际图像处理的应用中的改进并没有理论上预期的效果那么好，可能由于这些图片的纹理结构过于复杂以致于它们的基不能很好的表示图像。为了克服这个缺点，mallat在2008年提出grouplet变换。这是一种全新的变换，它的基可以随着图像在不同尺度下几何结构的变化而变化，因而可以最大限度的利用图像的几何特征。同时，grouplet变换的计算是简单的，它本身的变换方法就是一种快速计算方法。

紧框架grouplet分解包含关联域层和系数层两个层的计算。紧框架grouplet变换中关联域的寻找对变换的性能有着很大的影响。紧框架grouplet变换采用了blockmatching算法来寻找关联域，这种方法的好处是它是离散化的，可以精确反映每个像素点的变化，但是由于需要预先划定网格，所以不能自适应的根据图像结构选取方向，因而不能很好的表示包含复杂纹理的图像。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种紧框架grouplet关联域计算方法。可降低原变换中blockmatching算法带来的高复杂度，提高了紧框架grouplet变换的效率。

为了解决上述技术问题，本发明实施例提供了一种紧框架grouplet关联域计算方法，包括以下步骤：

1)对输入的图像转化为灰度图；

2)对所述灰度图grouplet分解，计算第j层系数层系数，通过线检测算子计算最优匹配点并计算第j层关联域层系数，其中1≤j≤j；

3)重复循环步骤2)，直到j层系数都计算完毕，其中j为给定的经验值。

进一步地，所述线检测算子模板使用的3×3的矩阵。

更进一步地，所述线检测算子计算最优匹配点的公式为：

其中是以为中心二值化后的3×3图像数据矩阵；opi[j]是检测方向i的线检测算子，i表示集合{+45°,0°,-45°}中的一个方向；符号j表示对应矩阵第j个位置。

更进一步地，所述线检测算子计算最优匹配点的步骤为：

1)在第j层时，以点为中心，选取大小为3×3，像素值构成的数据矩阵bp，

2)二值化所述数据矩阵bp3×3，记矩阵bp3×3的均值为av，则当bpx,y小于为所述均值av时，bpx,y取值0，否则为1，

3)使用所述线检测算子计算最优匹配点的公式求得点最优匹配点m，

4)计算关联域层系数和系数层系数{dj[m],aj[m]}1≤j≤j，其中

关联域层系数：

当j从1至j增长时，系数层系数数值由以下公式更新：

其中，a[m]表示点m处的均值系数，当j＝1时，a[m]为点m处的像素值；dj[m]表示点m处的差分系数；s[m]表示点m处支撑框架的大小，当j＝1时，s[m]＝1。当j＝j时，aj[m]由公式计算得到

5)重复循环上述步骤，至1至j层的所有点都匹配完成。

实施本发明实施例，具有如下有益效果：本发明的方法降低了blockmatching算法带来的高复杂度，应用于紧框架grouplet变换时，将大大节省变换的时间，提高效率。

附图说明

图1是本发明的流程结构示意图；

图2是为-45°，0°，+45°检测模板；

图3是线检测算法与blockmatching算法效果的对比数据。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示的流程结构图。

本发明实施例的一种紧框架grouplet关联域计算方法，包括以下步骤：①输入图像并转化为灰度图像i；②进行grouplet分解，计算j层系数层系数，通过线检测算子计算最优匹配点并计算j层关联域层系数；③重复循环步骤②，直到j层系数都计算完毕。

对于大小为m×n的灰度图i，经过线检测算子算法后将得到j层紧框架grouplet关联域层系数aj和(j+1)系数层系数{dj[m],aj[m]}1≤j≤j。

说明:(1)ob_n45：大小为3x3的-45°检测模板矩阵；ob_0:大小为3x3的0°检测模板矩阵；ob_p45：大小为3x3的+45°检测模板矩阵；(2)qm,n表示第m行，n列的点q，假设当前点为pm,n,则待匹配的点为qk,(n-1),其中k∈{m-1,m,m+1},从上到下的点依次与模板矩阵ob_n45，ob_0和ob_p45对应。(3)j为紧框架grouplet变换分解总层数；集合{dj[m],aj[m]}1≤j≤j存储(j+1)层系数层数值；矩阵aj存储第j层关联域层数值。如图2所示。

具体步骤：

(1)初始化j＝1,{dj[m],aj[m]}1≤j≤j＝0,aj＝0,m＝n＝1；

(2)pm,n为中心，选取数据矩阵bp3×3；

(3)二值化矩阵bp:记矩阵bp的均值为av,则其中正整数x,y∈[1,3]；

(4)分别将bp与线检测模板矩阵ob_n45，ob_0，ob_p45中相应数据相乘，并将所乘结果累加后求绝对值得t1,t2,t3；min{t1,t2,t3}所对应的待匹配点即为匹配点。

(5)计算点pm,n处关联域层系数aj(m,n)和系数层系数{dj[p],aj[p]}1≤j≤j。具体由以下公式获得,其中点q是点p的最优匹配点：

关联域层系数：

aj[p]＝q-p

系数层系数数值由以下公式更新：

如果m<m,就m＝m+1；

否则

如果n<n

就n＝n+1；

m＝1；

否则m＝1；n＝1；

j＝j+1；

如果j>j,结束循环，得到关联域层系数aj和系数层系数{dj[m],aj[m]}1≤j≤j否则跳转到步骤(2)。

实例在matlabr2014a环境下测试，本发明提出的线检测算法计算出来的关联域层系数同blockmatching算法一样，都能表现出原图像中几何流的走向。从图3的对比数据中可以明显发现，在不明显损失系数层系数稀疏度，而且可以完美重建原始图像的前提下，本发明提出的线检测算子匹配算法所需时间都要明显低于使用blockmatching算法的时间。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。