【摘要】：數(shù)字圖像作為最重要信息的載體,對人類生產(chǎn)生活的影響越來越廣泛,數(shù)字圖像的質(zhì)量直接影響到接收者的視覺感知和信息獲取。然而,數(shù)字圖像在獲取、傳輸以及存儲等過程中,多種因素導(dǎo)致圖像退化。因此,如何有效地從退化圖像中恢復(fù)出潛在高質(zhì)量的圖像一直是數(shù)字圖像處理領(lǐng)域的核心問題。一般地,退化圖像的恢復(fù)是一個病態(tài)問題。所以,通過正則化的圖像先驗信息對解空間進行約束,將圖像恢復(fù)不適定問題轉(zhuǎn)化為適定問題。典型的正則化先驗有l(wèi)_2范數(shù)、l_1范數(shù)和TV(全變差)范數(shù)等,這些正則化先驗?zāi)Ｐ秃拖鄳?yīng)的求解算法已被廣泛應(yīng)用于圖像恢復(fù)問題。但這些方法在恢復(fù)質(zhì)量以及運行速度方面有待提高。論文的主要內(nèi)容:首先介紹了圖像處理的研究背景和意義,對圖像去噪和圖像去模糊的主要任務(wù)、研究現(xiàn)狀進行描述;然后從正則化的角度,研究和比較了全變差正則化的常用模型,給出了本論文基本數(shù)學(xué)概念、定義及常用算法;本文提出了一種基于混合數(shù)據(jù)保真加權(quán)全變差的圖像恢復(fù)模型,并提出凸差分可分離Bregman迭代法和凸差分增廣拉格朗日法兩種求解算法,對算法進行收斂性進行了分析;最后,實驗部分驗證了算法的合理性。論文的創(chuàng)新點:(1)研究了兩種不同的圖像恢復(fù)模型,并在此基礎(chǔ)上提出了一種基于混合數(shù)據(jù)保真加權(quán)全變差的圖像恢復(fù)模型,正則化先驗項引入加權(quán)全變差項來逼近圖像的梯度分布,數(shù)據(jù)保真項用組合的l_1/l_2范數(shù)來豐富恢復(fù)圖像的細節(jié);(2)由于本文模型屬于凸相減模型,所以用凸相減算法來求解模型,提出用可分離Bregman迭代法和增廣拉格朗日方法求解凸相減算法的子問題;(3)為確保目標函數(shù)的單調(diào)遞減,本文證明了算法的收斂性。
【學(xué)位授予單位】：五邑大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41
【圖文】：

圖像模糊的常見類型

1 2l 2-1 三個不同范數(shù)在二維下的稀疏度量小寫字母表示，如a ，常數(shù)向大寫黑體來表示，如M NA 。對內(nèi)積。向量x 的 1 范數(shù)為1x 的ix 為 向 量 中 的 元 素向量 的支集定義為supp ix x

（l） Man （m） Monarch （n） Peppers圖 4-1 本文的測試圖像本章將展示對本文算法的兩個應(yīng)用，即圖像去噪和圖像去模糊。對于陣K 用傅里葉變換來對角化，這樣保證算法快速性。為方便起見，

【參考文獻】

相關(guān)期刊論文 前1條

1 ZHANG XuanDe;FENG XiangChu;WANG WeiWei;LIU GuoJun;;Two-direction nonlocal model for image interpolation[J];Science China(Technological Sciences);2013年04期

本文編號：2793367