基于稀疏表示的车用带钢表面图像信息修复

　　摘要：针对当前车用带钢表面图像信息修复所用时间较长，修复效果较差的问题，提出基于稀疏表示的车用带钢表面图像信息修复方法.根据像元点之间在车用带钢表面图像中存在的空间相关信息，结合像元点的灰度分布信息，采用二维直方图建立离散测度矩阵，获得车用带钢表面图像中需要修复的目标区域和背景区域.在稀疏表示原理的基础上构建稀疏修复模型，在车用带钢表面图像的目标区域和背景区域中对受损区域进行修复，能够有效获取车用带钢表面缺陷图像信息，实现车用带钢表面图像信息的修复.实验结果表明，所提方法对车用带钢表面图像信息修复的峰值信噪比较高、均方根误差较小，表明该方法的信息修复效果较好，且修复耗时较短，修复效率高.

　　关键词：稀疏表示;图像分割;离散测度矩阵;稀疏修复模型;图像修复;信息融合;缺陷检测

　　图像作为人们传递信息和获取信息的媒介，是学者们研究的热点对象[1].数据图像处理是通过计算机处理并分析图像的一种技术.数字图像的性能随着数字计算机和信息时代的发展不断提高，被广泛地应用在各个领域中[2].但是在存储、压缩和传输过程中，外界的干扰会导致数字图像信息缺损.为了提高图像信息的完整性，需要对受损图像进行修复和填补.图像信息修复技术在此背景下被人们所重视.

　　图像信息修复技术可以使修复后图像的视觉效果或可视化效果更接近原始图像[3].带钢作为汽车的重要原材料，对汽车的质量和性能产生直接影响，因此，对其进行表面检测具有重要意义.但在带钢表面检测图像中，常因噪声干扰等问题出现缺陷，为此，需要通过图像修复技术对车用带钢表面图像信息进行修复，可以实现车用带钢受损区域的复原。

　　因此需要对车用带钢表面图像信息修复方法进行分析和研究.现有研究中，强振平等[4]提出基于图像结构分成计算的图像信息修复方法，利用局部拉普拉斯滤波器平滑处理图像细节信息，获得图像结构成分，确定修复优先级，在基于结构张量和等照度线的图像修复算法中引入结构成分引导方法，实现图像信息的修复，但该方法没有划分图像的目标区域和背景区域，导致修复后图像的峰值信噪较低，存在修复效果差的问题.曹大命等[5]提出基于先验约束的图像信息修复方法，通过对图像做预处理，获得先验信息，在先验信息约束的基础上初始化偏移映射图，利用夹角法和均值法在像素块匹配过程中计算像素块的相似度，引入直方图统计方法，实现图像信息的修复，但该方法未对图像进行分割处理，导致修复过程中计算量较大，修复图像所用的时间较长，存在修复效率低的问题.

　　韩栋等[6]提出基于曲率约束因子与边缘加权法则的图像信息修复方法，通过像素的等照度线的方向构造曲率约束因子，并约束数据项以形成优先级测量函数.利用像素均值之差，构造像素自相关模型调整样本块的大小及边缘加权模型，并通过结合SSD(SumofSquareDifferences)(平方差和)模型建立边缘加权规则，进行最优匹配，在修复区域中填充最优匹配块，实现图像信息的修复.但该方法无法对背景区域中的受损区域进行有效修复，导致修复后的图像均方根误差较大，存在图像修复效果差的问题.为了解决上述方法中存在的问题，提出基于稀疏表示的车用带钢表面图像信息修复方法.

　　计算车用带钢表面图像的二维直方图，获取背景类和目标类之间存在的离散测度矩阵，并通过距离测度函数，改善车用带钢表面图像分割的精确性;基于稀疏表示理论，获取图像目标区域，去除图像块中存在的受损区域，构建基于稀疏表示的车用带钢表面图像信息修复模型，进一步减少了计算的冗余度.

　　1车用带钢表面图像分割处理

　　通常对带钢表面进行检测的系统由以下四个模块组成：图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块[7].

　　本次研究的车用带钢表面图像分割处理算法是在图像处理模块进行.由于受到现场环境、传输电路等影响，导致采集的原始图像具有一定的噪声，给图像的修复处理带来不便[8].对车用带钢表面图像信息修复，首先需对车用带钢表面图像进行分割处理，分离车用带钢表面图像的目标类与背景类信息，以提升车用带钢表面图像信息修复准确性.通过求解车用带钢表面图像的邻域平均灰度，得到车用带钢表面图像的灰度变换范围;通过计算车用带钢表面图像的二维直方图，构建背景类和目标类之间存在的离散测度矩阵，实现车用带钢表面图像的分割.车用带钢表面图像分割处理流程.

　　2基于稀疏表示的图像信息修复

　　在实现车用带钢表面图像分割处理后，用图像分析模块进行图像信息分析，基于稀疏表示理论的基础，对车用带钢表面图像信息进行修复.通过线性组合和图像块约束图像的非零元素的稀疏信号[15]，构建稀疏表示模型，构建图像块中存在的待修复图像函数，通过MAP估计去除图像块中存在的受损区域，通过L1范数对重构误差进行测度，构建基于稀疏线性表达的车用带钢表面图像信息修复模型，实现车用带钢表面图像信息修复.

　　3实验结果与分析

　　为了验证基于稀疏表示的车用带钢表面图像信息修复方法的整体有效性，需要对基于稀疏表示的车用带钢表面图像信息修复方法进行测试.本次测试在IntelCorei7CPU，内存为8GB的PC机上采用MatlabR2020b编程实现.将峰值信噪比和均方根误差作为指标对图像信息的修复效果进行衡量.

　　在东北大学热轧带钢表面缺陷数据集(VisionbasedSISforsteel)中选择实验对象共1000张车用带钢表面缺陷图像，分别采用文献[5]和文献[6]方法作为实验对比，测试3种不同方法对图像信息的修复效果。

　　3.1信噪比和均方根误差对比

　　设PSNR(PeakSignal-to-NoiseRatio)表示峰值信噪比，峰值信噪比越大表明图像信息的修复效果越好，其计算公式如下：PSNR=10lg(2552/MSE)(22)式中：MSE(MeanSquaredError)表示修复图像与原始图像之间的均方误差.设RMSE(RootMeanSquaredError)代表均方根误差，均方根误差越小表明修复后的图像越接近原始图像，其计算公式如下：RMSE=姨MSE(23)3种不同方法在车用带钢表面图像信息修复过程中，其峰值信噪比及均方根误差对比结果，本文方法在不同测试中获得的峰值信噪比均高于文献[5]方法和文献[6]方法获得的峰值信噪比，峰值信噪比越高表明方法的修复效果越好.

　　本文方法的均方根误差均低于0.2，远小于其他两种方法，均方根误差越小，表明此方法的修复效果越好.综上所述，本文方法对车用带钢表面图像的修复效果较好.本文方法利用稀疏修复模型分别对车用带钢表面图像的目标区域和背景区域进行修复，在修复过程中提高了修复的针对性，进而提高了所提方法的修复效果.

　　3.2图像修复耗时对比

　　分别采用本文方法、文献[5]方法和文献[6]方法对车用带钢表面图像信息进行修复，对比不同方法修复图像受损区域所需的时间，随着图像数量的增加，3种方法修复图像所用的时间都有所增加，文献[5]方法和文献[6]方法在图像数量超过200幅时，修复图像所用的时间迅速增加，是由于图像数量增加的同时，修复图像过程中的计算量不断增加，进而增加了修复所需的时间.本文方法所用的时间虽然也随着图像数量的增加不断增长，但是增加的幅度较小，且在相同图像数量情况下所用的修复时间远远少于文献[5]和文献[6]方法所用的修复时间.本文方法对图像进行分割处理，并利用修复模型在不同区域中对信息进行修复，利用最小化L1范数技术缩小了计算量，进而缩短了修复图像所需的时间，提高了本文方法的修复效率.

　　图像修复论文：数字处理技术和图像处理技术的室内设计系统研究

　　4结论

　　图像修复的基本原理是利用图像中存在的有效信息对未知区域进行近似估计，使修复后的图像接近原始图像.在数字图像处理领域中，图像修复技术是一种重要技术，在众多领域中具有较强的实用性，被广泛地应用在车用带钢表面受损修复中.目前，车用带钢表面图像信息修复方法存在修复效果差和修复效率低的问题.为此，提出基于稀疏表示的车用带钢表面图像信息修复方法，利用稀疏修复模型在分割后的不同图像区域中进行信息修复，实验证明，设计方法缩短了修复所用的时间，优化了修复效果.在图像的修复中，还需要考虑纹理等修复特征，但本文研究未对修复图像的精细程度进行验证，在未来研究中，将会对图像高精度修复进一步完善.

　　参考文献

　　[1]董卫东，彭宏京.基于紧框架的二阶总广义变分图像修复模型[J].计算机工程与应用，2018，54(11)：178—184.DONGWD，PENGHJ.Second-ordertotalgeneralizedvariationalbasedontightframeimageinpaintingmodel[J].Computer EngineeringandApplications，2018，54(11)：178—184.(InChinese)

　　[2]徐黎明，吴亚娟，张波.基于八邻域的自适应高阶变分图像修复算法[J].图学学报，2017，38(4)：558—565.XULM，WUYJ，ZHANGB.Imageinpaintingalgorithmbasedonadaptivehighordervariationineightneighbors[J].JournalofGraphics，2017，38(4)：558—565.(InChinese)

　　[3]王聪，杨晶，潘秀娟，等.基于光参量放大相位共轭特性的图像修复与增强[J].物理学报，2017，66(10)：134—140.WANGC，YANGJ，PANXJ，etal.Imagerestorationandenhance-mentbasedonphaseconjugationofopticalparametricamplification[J].ActaPhysicaSinica，2017，66(10)：134—140.(InChinese)

　　[4]强振平，何丽波，陈旭，等.利用图像结构成分的优先块匹配图像修复方法[J].计算机辅助设计与图形学学报，2019，31(5)：821—830

　　作者：周李洪1，2，龚金科2覮，李兵3