图像修复常用方法

        根据输入的数据类型,我们可以将以往有关曲线、区域和三维表面等特征的提取的研究工作分为正则化方法,松弛标记法,鲁棒性方法,水平集方法,聚类方法,基于结构显著性的方法,基于视觉竞争合作机制的组织方法和用于图像修复的一些方法等。

正则化方法将机器视觉的相关问题看作是逆向和病态的,因此需要添加一些约束来保证解的唯一性和鲁棒性。还有一些正则化方法称为随机性正则方法,主要特征是应用贝叶斯模型将约束条件以先验模型的形式加入。目前,正则化方法主要用于图像分割和光流场估计,这类问题添加约束条件,可以将问题转化为优化问题,但目标函数 的选择是一个难题,不连续点也很难考虑到优化求解的过程中去。另外,这类方法的迭代非常复杂,主要难点包括收敛性,数值计算的稳定性,以及参数的初始化。

ZUCKER等人针对从点的聚类关系进行区域分割的问题做了最早的工作。他们提出了一种通过迭代方式实现的松弛标记技术,将问题转化为对权标进行标记,并在迭代过程中移除违反约束条件的标记缩小搜索空间,具体实现形式有离散,连续,随机等形式。这种方法也需要迭代,因此也存在与迭代有关的初始化及更新解,终止求解条件的设置问题。但先相对而言,这种方法有利于处理图像中的不连续点。

  聚类方法根据亲和度对数据进行分组或分割,其亲和度用图来编码;然后通过图分割的方式对数据进行分割,使类间关联性最小。在聚类方法中,结构显著性是一种结构的整体属性,单独的组成部分不具有显著性。这种方法的不足时将显著性定义为一个度量。因此无法表示复杂特征。

图像修复就是对图像上的信息残缺区域进行信息填充的过程。在图像修复方面,基于几何图像模型的变分修补方法与张量投票方法的思想比较接近,该类方法的主要思路是模仿修补师的手工修复图像的过程,即通过建立图像的先验模型和数据模型,将修补问题转化为一个泛函求极值的变分问题。

分析现有的方法,可以发现他们有一个共同点,数值解法都需要初始化和迭代。此外,为了同时处理多个问题,经常需要将多个优化准则进行组合,现有的方法有两种组合:一种是将不同准则组合成一个优化函数,另一种是根据每个准则进行独立优化,然后以迭代方式解决问题。这两种组合问题均需要对不同的 准则赋以权重,而这些权重参数很难直接设定,因此这两种组合方法使解决方法的实际效果依赖于参数设置。


——《张量投票方法及其在机器视觉中的应用》邵晓芳等

最近开始看张量分解有关的论文,发现自己有太多基础知识不了解。图书馆只有这本书与张量在机器视觉的应用有关,就借来看了。

你可能感兴趣的:(机器学习)