在這個數(shù)字化的時代,圖像復(fù)原技術(shù)已然成為學(xué)術(shù)界、工業(yè)界探討的熱點問題。近年來,基于多元有限混合模型的圖像去噪方法吸引了學(xué)者們的注意力。有限混合模型是一種介于非參數(shù)模型與參數(shù)模型之間的半?yún)?shù)模型,憑借強大的數(shù)學(xué)理論作為支撐具有更強大的泛化能力。它可以被看作是多個單一模型的加權(quán)線性疊加,理論上只要模型個數(shù)足夠多就能逼近任意的分布,其中高斯混合模型被應(yīng)用地最廣泛。圖像片對數(shù)似然期望（Expected Patch Log Likelihood,EPLL）算法把高斯混合分布作為圖像片的先驗構(gòu)建去噪模型,該方法對于去除退化圖像的噪聲有著不俗的效果,但與此同時它依然有著一定的缺陷存在提高的空間。本文主要的研究工作有以下兩部分:（1）針對原始EPLL去噪算法未考慮圖像結(jié)構(gòu)特征的問題,增加了一項邊緣恢復(fù)正則項。原始的復(fù)原方法中去除噪聲時未考慮圖像的結(jié)構(gòu)信息而過度平滑使得邊緣也被模糊掉。將局部方差的大小作為圖像分區(qū)的依據(jù),將整張圖像分為邊緣區(qū)域及同質(zhì)區(qū)域。通過復(fù)原圖像與降質(zhì)圖像邊緣區(qū)域局部方差的變化量衡量邊緣恢復(fù)的程度,并以此構(gòu)建邊緣恢復(fù)正則項作為EPLL去噪模型的約束條件。實驗結(jié)果表明與原始去噪方法相比... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【部分圖文】：

幾種不同參數(shù)集的正態(tài)分布概率密度函數(shù)顯然從圖2.1可以看出，正態(tài)分布的均值決定了該分布的中心位置，方差決定

a b圖 2.2 lena 圖像及其像素灰度分布圖圖 2.2 a 為 lena 圖原圖，圖 b 為其像素灰度分布直方圖。顯而易見，lena 灰度分布直方圖具有多個波峰，單個的分布顯然不足以精確地描繪出其分布，此時采用更具有魯棒性的混合分布方能更準(zhǔn)確地描繪出其分布。2.3.2 高斯混合模型簡介高斯混合模型是最常被提及使用的一種有限混合模型，它可以被視為若干個高斯分布的線性組合，其中的每一個波峰代表一類高斯分布。它的概率密度函數(shù)可表示成： ( ) = ∑ π ( ) (2.5)其中， 代表混合成分的個數(shù)， 是第 類分布的混合系數(shù)， 與 分別為第 個成分的均值向量與協(xié)方差矩陣。且

a b圖 2.2 lena 圖像及其像素灰度分布圖圖 2.2 a 為 lena 圖原圖，圖 b 為其像素灰度分布直方圖。顯而易見，lena 灰度分布直方圖具有多個波峰，單個的分布顯然不足以精確地描繪出其分布，此時采用更具有魯棒性的混合分布方能更準(zhǔn)確地描繪出其分布。2.3.2 高斯混合模型簡介高斯混合模型是最常被提及使用的一種有限混合模型，它可以被視為若干個高斯分布的線性組合，其中的每一個波峰代表一類高斯分布。它的概率密度函數(shù)可表示成： ( ) = ∑ π ( ) (2.5)其中， 代表混合成分的個數(shù)， 是第 類分布的混合系數(shù)， 與 分別為第 個成分的均值向量與協(xié)方差矩陣。且

【參考文獻】：
期刊論文
[1]基于自適應(yīng)雙邊全變差的圖像超分辨率重建[J]. 楊欣,周大可,費樹岷.  計算機研究與發(fā)展. 2012(12)
[2]基于模糊灰度共生矩陣與隱馬爾可夫模型的斷口圖像識別[J]. 李凌,黎明,魯宇明.  中國圖象圖形學(xué)報. 2010(09)
[3]引入耦合梯度保真項的非線性擴散圖像去噪方法[J]. 朱立新,王平安,夏德深.  計算機研究與發(fā)展. 2007(08)
[4]基于邊緣恢復(fù)和偽像消除的正則化圖像復(fù)原[J]. 吳顯金,王潤生.  電子與信息學(xué)報. 2006(04)



本文編號：3227506