学位论文 > 优秀研究生学位论文题录展示

变分模型和稀疏冗余表示在图像恢复中的应用研究

作　者: 周颖玥
导　师: 叶中付
学　校: 中国科学技术大学
专　业: 信号与信息处理
关键词: 图像恢复变分模型边缘保持正则项稀疏表示冗余字典冲击噪声混合噪声分辨率恢复
分类号: TN911.73
类　型: 博士论文
年　份: 2013年
下　载: 148次
引　用: 0次
阅　读: 论文下载

内容摘要

图像恢复是以观测图像为已知数据,根据对图像退化模型以及图像本身先验知识的理解来还原反映客观世界真实场景的原始图像,它是保障人们能正确理解图像中所蕴含的信息以及图像后处理是否有效的重要前端技术。建立变分恢复模型是解决该问题的有效途径,当图像退化模型事先已知或已估计时,图像先验知识的表达直接关系到变分模型是否准确,进而决定了图像恢复的性能。分段光滑性和变换系数的稀疏性是图像信号的两个重要属性,对变分模型中正则项的设计起到了重要的帮助作用。近些年来,随着人们对图像理解的不断深入,稀疏冗余表示在图像处理领域中被广泛应用起来,它可以根据观测数据自适应地学习出稀疏表示所用的冗余字典,从而更真实地表达出待处理图像的先验知识。本文利用变分模型和稀疏冗余表示技术,选取图像恢复中的噪声污染图像和低分辨率图像的恢复问题进行了详细研究,主要工作和创新点如下：1.研究了高比率冲击噪声污染图像的恢复算法,重点针对随机值冲击噪声的情况进行了分析,提出了一种基于冲击噪声分级决策的细节保持变分恢复方法。首先,将变窗和序贯检测的策略融入到自适应中心加权中值滤波噪声检测技术中,不仅以较低的错误率甄选出了可能的冲击噪声,还根据噪声点与周围近邻点间的灰度差异给每个噪声候选点标记了“等级”。然后,设计了一个正则化参数值随噪声等级变化而变化的细节保持变分模型,利用Jacobi松弛算法最小化该模型,将噪声候选点进行更新,恢复出隐藏在这些点之下的本真信息。同时,保持非噪声候选点的像素值不变,图像恢复即完成。受益于噪声检测的准确性以及L1-norm数据保真项和边缘保持平滑正则项在处理冲击噪声上的优势,我们的算法在噪声比率较高的情况下仍然可以有效地去除冲击噪声,并且极大程度地恢复出图像原本的边缘和细节。此外,我们还提出了一种能粗略估计冲击噪声比率的方法,当噪声比率未知时,可以利用这种方法进行大致估计。2.研究了混合噪声污染图像的恢复算法,重点针对加性高斯噪声和随机值冲击噪声混合的情况进行了分析。为了准确地构建图像恢复变分模型,我们事先对图像中的两种噪声进行分类并标识,采用基于绝对差图像和贝叶斯决策的噪声分类法将高斯噪声和冲击噪声有效地分离。然后,从含噪图像本身中抽取一定量的样本图块进行自适应冗余字典的学习,结合噪声点的类型标识矩阵并利用"Masked K-SVD"字典学习算法从样本集的有效信息中获取能稀疏表示目标图像块的冗余字典。接着,构建一个较准确的变分恢复模型,其中数据保真项的形式由噪声类型来决定,而正则项的设计是根据图像块在自适应冗余字典下能稀疏表示的先验知识,通过块坐标下降法最小化该变分模型而获得图像恢复结果。受益于噪声分类的准确以及变分模型的准确,我们所得到的图像恢复结果较好地还原了图像本真的边缘和纹理信息,尤其对于纹理丰富的被污染图像,恢复效果令人满意。此外,我们将所构建的变分恢复框架扩展至高斯和冲击噪声的任意组合污染形式以及图像修复问题,结果表明所提算法能“对付”多种情况,并且效果良好。由此验证了所构建的变分恢复模型对于噪声图像具有一定的通用性。3.研究了低分辨率图像的恢复算法,重点针对单幅图像的超分辨率重建问题进行了分析。在已知低分辨率图像退化模型的前提下,通过对外部高分辨率图像集的学习来帮助分辨率恢复性能的提升。在基于样本学习和稀疏冗余表示的图像恢复框架下,我们将样本图像块的分类和边缘样本块的扩展巧妙地融入其中,使得分类训练出的冗余字典有了更丰富的原子类型以及更“专”的稀疏表示性能。在保证字典质量的同时,采用了一种快速字典对的构建方法,大大降低了字典训练的时耗。在图像恢复时,输入的低分辨率图像首先被裂解为若干相互重叠的图像块,每一个图像块送入分类器中进行类别标识.以此指导字典对的选择,再在所选择的低分辨率冗余字典下通过稀疏度可调的直角匹配追踪算法进行稀疏编码,进而重建出高分辨率图块。所有高分辨率图像块再经过合理重组并修正后生成最终的高分辨率恢复图像。通过分析发现,上述分辨率重建的过程实际上也是基于稀疏冗余表示的变分恢复方法的一种特例,从而进一步证明了变分模型在图像恢复中的普适性。

全文目录

摘要  5-7
ABSTRACT  7-10
目录  10-13
插图目录  13-16
表格目录  16-17
第1章绪论  17-29
  1.1 图像恢复的研究背景及意义  17-19
  1.2 图像恢复模型简介  19-20
  1.3 图像先验知识的表达  20-25
    1.3.1 分段光滑性  20-21
    1.3.2 变换系数的稀疏性  21-23
    1.3.3 冗余字典表示系数的稀疏性  23-25
  1.4 本文的研究内容与结构安排  25-29
第2章变分模型和稀疏冗余表示的相关基础知识  29-39
  2.1 变分模型  29-30
  2.2 稀疏冗余表示中的关键技术  30-38
    2.2.1 稀疏编码  32-34
    2.2.2 字典训练  34-38
  2.3 本章小结  38-39
第3章高比率冲击噪声污染图像的恢复算法研究  39-61
  3.1 引言  39-41
  3.2 冲击噪声模型  41
  3.3 关键算法的回顾与分析  41-44
    3.3.1 自适应中心加权中值滤波器  41-43
    3.3.2 细节保持的变分图像恢复模型  43-44
  3.4 基于噪声分级决策的细节保持变分恢复方法  44-51
    3.4.1 噪声分级决策  44-47
    3.4.2 正则化参数可调的细节保持变分模型及解的求取  47-49
    3.4.3 在未知噪声比率的情况下估计p的一种方法  49-51
    3.4.4 所提算法之总结  51
  3.5 实验与讨论  51-59
    3.5.1 图像恢复的性能测试  53-56
    3.5.2 噪声检测的性能测试  56
    3.5.3 算法效率的比较  56-57
    3.5.4 所提算法在卫星图像恢复中的潜在应用  57-59
  3.6 本章小结  59-61
第4章混合噪声污染图像的恢复算法研究  61-89
  4.1 引言  61-63
  4.2 混合噪声模型  63
  4.3 贝叶斯噪声分类器  63-67
    4.3.1 初始恢复图像的获取  64-65
    4.3.2 混合噪声的分类  65-67
  4.4 自适应冗余字典的训练  67-70
    4.4.1 训练样本集的构建  67
    4.4.2 Masked K-SVD字典训练算法  67-70
  4.5 基于稀疏冗余表示的变分恢复模型  70-74
    4.5.1 变分模型的构建  70-71
    4.5.2 变分模型的求解  71-73
    4.5.3 所提算法之总结与应用扩展  73-74
  4.6 实验与讨论  74-86
    4.6.1 噪声分类器的性能测试  75-77
    4.6.2 图像恢复的性能测试  77-82
    4.6.3 几点讨论  82-84
    4.6.4 算法的时耗  84-85
    4.6.5 应用扩展实例  85-86
  4.7 本章小结  86-89
第5章低分辨率图像的恢复算法研究  89-109
  5.1 引言  89-90
  5.2 低分辨率图像的退化模型  90-91
  5.3 所提算法框架结构  91-95
    5.3.1 ESR算法精髓  91-92
    5.3.2 所提算法的流程  92-94
    5.3.3 算法在基于稀疏表示的变分恢复模型下的阐释  94-95
  5.4 算法细节  95-99
    5.4.1 图像块的分类  95-97
    5.4.2 边缘块的扩展  97
    5.4.3 冗余字典对的快速构建  97-99
    5.4.4 稀疏度可调的OMP算法  99
  5.5 实验与讨论  99-107
    5.5.1 SR重建的性能测试  101-105
    5.5.2 训练字典的性能测试  105-106
    5.5.3 讨论  106-107
  5.6 本章小结  107-109
第6章总结与展望  109-113
  6.1 工作总结  109-110
  6.2 未来展望  110-113
参考文献  113-121
致谢  121-123
博士在读期间科研成果  123

变分模型和稀疏冗余表示在图像恢复中的应用研究

内容摘要

全文目录

相似论文