陆 焱，胡玉荣，郭 竞

(1.荆楚理工学院计算机工程学院，湖北荆门448000；2.荆楚理工学院科技处，湖北荆门448000；3.西北大学信息科学与技术学院，西安长安 710127)

1 引言

随着经济水平和科学技术的不断发展，图像技术在越来越多的行业中得到广泛应用，对于图像采集的质量和处理效果也提出了新的要求[1-2]。图像在采集过程中往往会受到光影影响，导致图像难以清晰地聚焦在采集图像目标上，问题最突出的便是在人体形貌聚焦采集方面。因此多聚焦图像融合与修复技术应运而生[3]。然而，由于传统的多聚焦图像修复技术无法很好地实现图像冗余信息的分离，对外界噪声等影响因素敏感度也不高，对于人体形貌图像的融合与修复的处理效果仍存在一些明显缺陷。

相关学者对此进行了改进，取得了一定研究成果。曹义亲等人提出基于卷积稀疏表示的图像融合方法[4]，根据视觉显著性融合图像，通过Butworth低通滤波对高频子带系数进行调整，最后实现脉冲耦合神经网络的有效融合，此方法提升了图像融合效率，但是图像修复清晰度不佳。陈赛健等人提出基于生成对抗网络的文本图像联合超分辨率与去模糊方法[5]，利用采样模块方法实现超分辨率图像模块划分，利用去模糊模块方法重建文本图像，实现了图像形貌修复。但是此方法去噪效果越好。

为此，本文提出了一种基于稀疏表示的对抗网络多聚焦图像形貌修复方法。稀疏表示是一种图像表示模型，以其优良的信号除杂与信息检测分离功能，在诸多信息技术和图像处理领域得到了广泛的应用。在图像聚焦形貌处理方面，稀疏表示能够更精准的完成图像除杂降噪、图像融合与局部图像识别分辨等处理环节，完成较为理想的图像聚焦形貌修复。

2 对抗网络图像聚焦形貌的图像处理

2.1 图像数据信息采集

对抗网络图像聚焦形貌修复的处理过程，首先要对目标图像进行数据信息采集[5-6]。

由于图像聚焦形貌修复技术主要是对图像中的形貌部分进行修复处理，所以数据信息采集主要是针对形貌图像信息进行检测。首先在图像中进行精准全面识别，然后按照用户要求的处理标准和形貌处理的分辨率设定情况，对图像进行放大；再根据图像分辨率情况和相关要求，将识别图像进行局部的区域划分；再次利用图像检测与数据信息采集程序，对局部图像进行清晰的信息检测。对抗网络图像聚焦形貌的图像信息采集流程如图1所示：

图1 对抗网络图像聚焦形貌的图像信息采集流程

如果图像素材中拥有多个相似图像，则需要对相似图像进行相同规则的图像识别和信息检测，然后将检测获取到的图像信息数据按一定的分类规则进行整理，并通过数据检测程序排除存在误差缺漏的数据[7-8]。之后通过对比分析得到图像形貌信息的具体情况，并将整理完毕的数据保存为目标图像的数据集。同时，计算机系统会形成备份数据保存在系统的数据库中，以防突发情况造成数据丢失。

2.2 聚焦形貌图像处理

在获取了目标图像各方面的信息数据之后，可对获取的图像信息进行处理。首先需要进行多层次的图像融合，图像融合是指将拥有同一拍摄目标与相似背景环境的多幅图像进行融合，以获取到关于该图像目标更全面精准的图像[9，10]。在对抗网络多聚焦图像形貌修复处理过程中，需要利用图像融合技术对多个目标图像素材进行融合，以减少光影，噪点等环境因素的影响，形成图像信息更加全面的多聚焦图像。对抗网络图像融合示意图如图2所示。

图2 对抗网络图像融合示意图

分析图2可知，本文选用的多层次图像融合技术主要分两个层次：首先是进行像素级的图像融合，像素级的图像融合是图像融合的基础，主要通过图像像素识别与数据检测程序，对目标图像素材进行图像像素数据的采集与分析，得到精确具体的图像尺寸、像素个数以及分辨率，还包括色彩、光影等方面的像素数据；之后根据像素级图像融合的数据情况进行特征级图像融合。

级的融合图像数据分析情况进行图像特征预处理，提取图像素材中的主要特征点，并根据图像特征点的数据信息，通过相关性矩阵运算，获取图像信息数据集中相关性较高的特征数据，然后根据特征点数据信息对图像素材进行特征匹配，能够得到精度较高的融合图像[11]。

根据图像结构对数据集中的所有图像信息进行筛选，经过图像信息检测确定一个图像元素组成与图像结构较为稳定的局部图像信息作为参考标准，根据该部分图像的纹理、结构对其它图像进行筛选，获取数据信息相似度较高的图像碎片。将符合要求的图像部分进行拼接形成大致的目标图像，针对存在缺漏破损的部分，整合与该部分相关联的图像信息数据通过计算程序获得大致与图像整体数据相关度较高的图像信息数据，并将数据拼接融合到整体图像中，完成目标图像的初级融合与修复。

3 基于稀疏表示的对抗网络图像聚焦形貌修复

3.1 稀疏表示图像修复算法

稀疏表示基本原理是假设目标信号信息数据中的元素大多为自然元素，那么这个信号信息是稀疏的，自然元素能够通过原子的线性组合对信号进行表示，稀疏表示的模型主要根据目标信号信息数据的字典进行构建。用x表示信号，D表示字典，α表示稀疏表示系数。利用图像信息数据检测分析得到的信号数据范围，设定一个固定的字典矩阵，则信号的稀疏表示等同于信号数据的系数与字典矩阵的乘积，注意其中的信号元素为非零的自然元素[12]。

进行稀疏表示信号运算之前首先要完成字典类型的选择。根据目标处理信息的类型与相关数据的大致情况，对字典矩阵进行大致的预估，再根据信号信息相应特征，具体判断选择字典类型。

对于本文研究的对抗网络图像聚焦形貌修复技术，一般选用贪婪算法比较精准。本文采用的是贪婪算法中的追踪匹配法，运算公式如下

(1)

(2)

式中，ωR、ωG、ωB分别代表R、G、B的权值。

利用频域平滑滤波对图像进行去噪，图像噪声、边缘和跳跃表示高频分量，图像的背景以及变化缓慢的部分表示低频分量，根据频域滤波，可以将高频分量去除，图像得到了平滑，表达式如下

G(u，v)=H(u,,v)F(u，v)

(3)

式(3)中，F(u，v)为经过傅里叶变换的原始图像，G(u，v)为经过傅里叶变换后的平滑电力设备图像，H(u,,v)为滤波转移函数。

为了便于图像的处理，引入离散来表示对抗网络图像，r表示灰度级，pr(r)表示灰度的分布情况，满足如下公式

(4)

其中，nk表示灰度像素rk一共出现的次数，n表示总像素。

由于对抗网络图像经常会有对比度低的问题，直接影响了图像的识别，通过对图像增强，可以突出电力设备图像的特征。利用直方图均衡化对图像特征区的对比度进行扩大，直方图均衡化变换函数为

(5)

根据此式对目标信号数据进行稀疏求解，对相似图像素材数据分别进行稀疏表示，再经过累加迭代运算，得到该目标图像精准度较高的图像数据匹配与缺陷填补。

3.2 对抗网络图像聚焦形貌修复

基于上述图像稀疏运算的结果数据，完成多聚焦图像形貌修复处理。将稀疏表示运算结果导入到图像处理系统程序中，以之前完成的初级融合图像为基础，根据稀疏表示结果数据，对图像进行进一步细化与缺陷修补。基于稀疏表示的对抗网络图像聚焦形貌修复流程如图3所示。

图3 基于稀疏表示的对抗网络图像聚焦形貌修复流程图

由图5可知，通过图像生成器将信息数据转化为对应的图像元素，对目标图像存在缺陷的部分进行调整修补；完成修补之后，利用图像处理程序对图像细节方面处理，锐化形貌图像，去除图像模糊部分，提高图像聚焦部分的分辨率，使生成的图像更加清晰化。对于图像中的线条与光影边缘部分进行平滑处理，平衡稳定图像的色彩与结构，降低图像违和感。根据原始图像素材对生成图像进行对比分析，选取还原度最高的、最合理的生成图像作为最终修补结果。对于存在缺陷的图像部分，可再次进行图像扫描检测，消除修补区域的模糊部分，提高图像的融合度，进一步增强了多聚焦形貌修复图像的精确性与完整性。

4 实验研究

为了验证本文提出的基于稀疏表示的对抗网络图像聚焦形貌修复方法的有效性，与传统方法进行实验对比，实验环境为：Intel Core i3550(3.2GHz)，4GB RAM，Windows7(32bit)，Net Logo V5.0.4。

设定实验参数如表1所示。

表1 实验参数

根据上述参数，选用本文提出的基于稀疏表示的对抗网络图像聚焦形貌修复方法为实验组，传统的基于深度学习的对抗网络图像聚焦形貌修复方法以及基于样本块的对抗网络图像聚焦形貌修复方法作为对照组，对图像进行修复。引入DCT作为完备字典，分析内部噪声，将原来的图像加入噪声，同时加入中值滤波，利用峰值信噪比(PSNR)和均方误差(MSE)作为参数指标，来衡量图像的质量。

未加入噪声的图像处理实验结果如图4所示。

图4 未加入噪声的图像处理实验结果

观察上图可知，本文提出的基于稀疏表示的对抗网络图像聚焦形貌修复方法，与传统的基于深度学习的对抗网络图像聚焦形貌修复方法以及基于样本块的对抗网络图像聚焦形貌修复方法都能对图像进行复原，但是很难复原成原来的样子。就图像恢复清晰度来看，本文提出的基于稀疏表示的对抗网络图像聚焦形貌修复方法清晰度高于传统修复方法。图像质量评价指标如下表2所示。

表2 未加入噪声图像质量评价指标

上表的质量参数能更加直观地反映出三种修复方法的修复能力。在PSNR上，本文提出的图像修复方法优于传统方法，但是这种优势并不明显，而在MSE指标上本文提出的方法修复能力更好。

加入噪声的图像处理实验结果如图5所示。

图5 加入噪声的图像处理实验结果

由上图可知，本文提出的修复方法能够更好地处理噪声问题，提高信息的采集能力，实现信息修复。而传统方法在处理噪声问题上，有着明显的弊端，即使完成修复，得到的信息也十分模糊。对于噪声图像质量评价指标如表3所示。

表3 加入噪声图像质量评价指标

观察表3可知，本文设计的方法对于噪声图像的修复能力要明显优于传统修复方法，本文方法引入稀疏表示模型，将图像块聚类之后，利用K-SVD字典对图像进行训练，训练后与图像的稀疏系数相乘，从而得到更好的修复结果。

5 结束语

本文基于传统的多聚焦图像修复技术存在的弊端，提出了一种基于稀疏表示的对抗网络图像聚焦形貌修复方法。这种方法能通过对图像数据信息的稀疏表示运算结果，获取关于目标图像各方面参数更精准的数据信息，并结合图像融合技术对目标图像进行较为完整的图像融合，同时利用图像生成技术将稀疏表示所得数据转化为图像元素，实现对图像缺陷部分的精准修补。本文研究的方法对于对抗网络的多聚焦形貌图像有良好的修复和处理效果，有很强的适用性，能够为聚焦图像修复领域的相关技术研究提供一定的价值参考。