0 引言

    古代建筑圖紙能夠反映古人對建筑獨特的認(rèn)識與理解,，不僅具有極高的歷史價值,、文化價值和科學(xué)價值，同時也是現(xiàn)代仿古建筑,、園林景觀和旅游景區(qū)的重要借鑒^[1],。建筑圖紙的質(zhì)地、圖形,、字體及涂料具有多樣性,，需要特別的保護(hù)。當(dāng)前,，在實際的工作環(huán)境中,，大部分建筑圖紙以卷宗的形式進(jìn)行保存，隨著時間的變遷,，建筑圖紙的缺損非常嚴(yán)重,，且在掃描、微縮處理中,，圖紙的像素丟失嚴(yán)重,。對建筑圖紙進(jìn)行修復(fù)、評估及再利用,，一直作為建筑學(xué)科及計算機(jī)圖像處理等領(lǐng)域的研究熱點而受到關(guān)注^[2],。僛文峰等人指出圖紙的破損主要是由于圖紙質(zhì)地的酸性化而變黃、發(fā)干, 以及隨之而來的粉碎和撕毀情況比較嚴(yán)重,；由于時間久遠(yuǎn),，圖紙質(zhì)地及顏料也會出現(xiàn)不同程度的缺損、黃色斑點等破損,；在對古建筑圖紙進(jìn)行信息化加工的過程中也會造成像素的丟失,，出現(xiàn)黑色斑點等。本文針對掃描及微縮以后的古建筑圖像提出一種新的基于字典學(xué)習(xí)的修復(fù)方法,，該算法在稀疏域針對污損圖像的特迭代處理,，從而達(dá)到古建筑圖紙修復(fù)的目的。通過實驗表明,，該算法能較好地修復(fù)古建筑圖像,，降低了圖像的均方誤差，在實際應(yīng)用中具有良好的前景,。

1 古建筑圖像修復(fù)模型

1.1 基于稀疏表示的古建筑圖像處理模型

    在圖像處理領(lǐng)域^[3],，任一理想的古建筑圖像可以表示為y₀∈R^N，稀疏表示的目標(biāo)是找到一個稀疏表示向量x₀，且x₀的0范數(shù)||x₀||₀=k₀,，滿足：y₀=Ax₀。A為字典,，B為圖像退化算子,，表示圖像丟失掉的p個采樣，則：y=By₀,。B表示單位矩陣(大小為：n×n)根據(jù)丟失掉的（缺損）采樣去除p行后的矩陣,，其大小為(n-p)×n，則古建筑圖像修復(fù)問題就轉(zhuǎn)化為求其稀疏表示向量進(jìn)而獲得未降質(zhì)圖像則可以建模為式(1)^[4]：

1.2 對模型的求解

    該問題中由于原始古建筑圖像y₀未知,，且古建筑圖像一般較大,，存在多種類型的缺損，因此需要對大的圖像進(jìn)行分塊,。根據(jù)給定的字典A,，將大的圖像分割成一些小的塊后，每個塊都有其稀疏表示系數(shù),，降質(zhì)操作B為一矩陣,，根據(jù)Elad等人的原理，該問題屬于M-稀疏域模型,，則可以轉(zhuǎn)化如下最大后驗概率問題^[5]：

    下一部分獲得該模型中字典A的求解,，通過式(5)能夠獲得輸出圖像，對丟失掉的像素,，通過塊中已知像素進(jìn)行平均獲得,。

2 字典學(xué)習(xí)算法

    字典學(xué)習(xí)過程一般分為2個階段，分別是稀疏編碼及字典更新,。在對式(5)求解時,，一般假設(shè)字典A∈R^n×k(k>n)為已知，如DCT,、DWT和FFT等,。為了進(jìn)一步提高修復(fù)古建筑圖像的修復(fù)能力，本文分別通過MOD算法和K-SVD算法進(jìn)行字典學(xué)習(xí),，在字典學(xué)習(xí)過程中需考慮缺損像素,。因此，一旦獲得字典,，就可以完成稀疏編碼,，然后固定系數(shù)，再更新字典,，從而轉(zhuǎn)化為求式(6)錯誤的最小值：

2.1 MOD字典學(xué)習(xí)算法

    MOD算法（Method of Optimal Direction）也稱為最優(yōu)方向法^[6],，該算法由K.Engan等人在1999年提出,通過對錯誤求導(dǎo)，然后令其為0,，則可得：

2.2 改進(jìn)的K-SVD字典學(xué)習(xí)算法

    本文根據(jù)缺損的古建筑圖像進(jìn)行K-SVD字典學(xué)習(xí),，利用K-SVD算法[7]每次更新字典A的一列,，對字典的第j列a_j，根據(jù)式(6),，僅有第k塊用到了這個原子,，將其表示為域P_k，則可將式(6)進(jìn)行如下轉(zhuǎn)化：

    將圖像塊合并后輸出即可獲得最終修復(fù)圖像,，經(jīng)過字典學(xué)習(xí)后獲得的MOD字典及K-SVD字典如圖1和圖2所示,。由圖可見，K-SVD字典包含了缺損圖像形變區(qū)的原子,，表明K-SVD字典能夠根據(jù)圖像的特點進(jìn)行自適應(yīng)調(diào)整,，從而保留更多的細(xì)節(jié)和邊緣信息，更加有利于后續(xù)的處理,。

2.3 算法分析

    該算法的計算復(fù)雜度可以分為兩部分：稀疏編碼,、字典更新（迭代J次）與最終的輸出過程構(gòu)成。古建筑圖像中的每個像素點的計算復(fù)雜度為：O(K×L×J),，其中,，K為字典的列向量的個數(shù)，L為每個系數(shù)的非零元素的個數(shù),，一般取決于古建筑圖像的噪聲的方差和缺損像素的個數(shù),。

3 模擬實驗

    對本文提出算法的性能進(jìn)行測試，實驗用古建筑圖像稱為重檐四角亭,，來源于成都理工大學(xué),；圖像的大小為256×256。實驗所使用的PC是CPU 3.0 GHz,，內(nèi)存為2 GB,，算法用GNUOctave進(jìn)行實現(xiàn)。圖3分別為加噪20 dB后,，損失50%像素后的原始古建筑圖像,，以及采用MOD字典學(xué)習(xí)算法的修復(fù)結(jié)果和采用K-SVD字典學(xué)習(xí)算法的修復(fù)結(jié)果圖。設(shè)置字典原子的個數(shù)為256,，圖像塊大小為8×8,。圖4為隨著迭代次數(shù)的增加，MOD字典學(xué)習(xí)算法和K-SVD字典學(xué)習(xí)算法的修復(fù)效果對比圖,。表1為采用MOD字典學(xué)習(xí)算法和K-SVD字典學(xué)習(xí)算法迭代15次后所獲得的RMSE(均方根誤差),。由圖3可見，采用K-SVD算法修復(fù)的效果明顯優(yōu)于采用MOD算法修復(fù)的效果,，尤其是右上角塔頂處的局部放大圖所示,。

    本實驗中運用K-SVD字典學(xué)習(xí)算法實現(xiàn)了對古建筑圖像的修復(fù)，由圖4可見，K-SVD字典學(xué)習(xí)算法的修復(fù)效果優(yōu)于MOD字典學(xué)習(xí)算法,，且 K-SVD算法的魯棒性更強,。

4 結(jié)論

    本文通過對缺損古建筑圖像問題進(jìn)行建模，然后利用字典學(xué)習(xí)算法實現(xiàn)對缺損圖像的修復(fù),。通過對重檐四角亭古建筑圖像進(jìn)行修復(fù)試驗,，表明K-SVD字典學(xué)習(xí)算法具有更優(yōu)的效果。本文利用機(jī)器學(xué)習(xí)及圖像處理技術(shù)對解決古建筑圖紙,、古文獻(xiàn)修復(fù)等問題提出了新的思路，對該算法的優(yōu)化和應(yīng)用的拓展是下一步研究的重點,。

參考文獻(xiàn)

[1] 王茹.古建筑數(shù)字化及三維建模關(guān)鍵技術(shù)研究[D].西安：西北大學(xué),，2010.

[2] 李四明.工程圖紙輸入與自動識別系統(tǒng)的研究[D].北京：中國農(nóng)業(yè)大學(xué)，2000.

[3] N Metaxas D,，AXEL L.Recent novel methods and approaches in sparsity-based compressive sensing and sparse learning have shown promising results. Introduction[J].Med Image Anal,，2014，18(6)：819.

[4] ELDAR Y C.Compressed sensing：theory and applications[M].Cambridge University Press,，2012：556.

[5] ELAD M,，AHARON M.Image denoising via sparse and redundant representations over learned dictionaries[J].IEEE Transactions Image Process，2006,，15(12)：3736-3745.

[6] OLSHAUSEN B A,，F(xiàn)IELD D J.Sparse coding with an overcomplete basis set: a strategy employed by V1[J].Vision Research，1997,，37(23)：3311-3325.

[7] RUBINSTEIN R,，PELEG T，ELAD M.Analysis K-SVD：a dictionary-learning algorithm for the analysis sparse model[J].IEEE Transactions on Signal Processing,，2013,，61(3)：661-677.