在如今信息化技術(shù)高度發(fā)展的時(shí)代,數(shù)字圖像是人們?nèi)粘Ｉ钪凶畛＝佑|到的信息載體,與人們的日常生活息息相關(guān)。然而圖像在獲�。ǔ上瘢┖蛡鬏斶^程中不可避免地會(huì)受到噪聲的污染,影響圖像的質(zhì)量,進(jìn)而影響后續(xù)的圖像應(yīng)用。因此圖像去噪是圖像處理最基礎(chǔ)的問題之一,也是計(jì)算機(jī)視覺最底層的研究之一,有著重要的現(xiàn)實(shí)意義。由于圖像去噪是一個(gè)病態(tài)的逆問題,其解存在無(wú)窮多個(gè),所以結(jié)合圖像的先驗(yàn)信息,用于構(gòu)造合適的正則項(xiàng)來約束縮小解空間,是解決這個(gè)病態(tài)逆問題的重要途徑之一。根據(jù)獲取和利用先驗(yàn)的不同,現(xiàn)階段的圖像去噪算法可以分為三類:基于稀疏性先驗(yàn)的圖像去噪方法;基于低秩先驗(yàn)的圖像去噪方法;基于先驗(yàn)學(xué)習(xí)的圖像去噪方法。本論文針對(duì)其中存在的問題,主要做了以下幾方面的工作:（1）針對(duì)現(xiàn)有基于稀疏表示的方法依賴參數(shù)調(diào)試的問題而深入研究非參數(shù)模型,發(fā)現(xiàn)其缺乏合理利用圖像結(jié)構(gòu)先驗(yàn)的方法而導(dǎo)致其去噪性能不夠優(yōu)異。為此,首先提出了非局部結(jié)構(gòu)化貝塔過程,可以較為方便的引入圖像結(jié)構(gòu)先驗(yàn)信息。在這基礎(chǔ)上提出了基于非局部結(jié)構(gòu)化貝塔過程的非參數(shù)貝葉斯稀疏模型,并將該模型應(yīng)用于圖像去噪問題。實(shí)驗(yàn)驗(yàn)證了該方法不需要預(yù)先調(diào)試大量參數(shù),也不依賴于噪聲... 

【文章來源】：武漢大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：105 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

Lena圖像經(jīng)過小波變換后的不同尺度系數(shù)展示圖

基于先驗(yàn)?zāi)Ｐ偷膱D像去噪研究9圖1.2本文組織結(jié)構(gòu)第二章圖像去噪理論基礎(chǔ)首先簡(jiǎn)介了圖像中噪聲的種類并對(duì)每一類噪聲都介紹了其成因，接著對(duì)圖像去噪領(lǐng)域常用的數(shù)學(xué)基礎(chǔ)知識(shí)進(jìn)行簡(jiǎn)單的定義和介紹，再介紹了常用的噪聲觀測(cè)模型，最后介紹了圖像去噪問題常用的評(píng)價(jià)指標(biāo)，分為主觀指標(biāo)和客觀指標(biāo)。第三章基于非參數(shù)稀疏貝葉斯字典學(xué)習(xí)的圖像去噪方法首先介紹了基于稀疏表示的圖像去噪問題的相關(guān)經(jīng)典工作，再介紹了基于貝塔過程的非參數(shù)貝葉斯表示方法，接著重點(diǎn)介紹了本章將結(jié)構(gòu)先驗(yàn)引入貝塔過程而提出的非局部結(jié)構(gòu)化貝塔過程以及在這個(gè)基礎(chǔ)上的非參數(shù)貝葉斯稀疏表示方法，隨后將其應(yīng)用于圖像去噪問題。最后展示了在經(jīng)典測(cè)試圖像上的實(shí)驗(yàn)結(jié)果，驗(yàn)證了本章方法的有效性。第四章基于局部結(jié)構(gòu)保持的低秩近似圖像去噪方法首先介紹了低秩近似的定義，然后回顧了經(jīng)典的基于低秩近似的方法，指出其問題所在。再介紹了總廣義變差的定義，隨后將總廣義變差引入低秩近似的方法用來解決過度平滑的問題。最后在多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果驗(yàn)證了本章方法具有優(yōu)秀的局部結(jié)構(gòu)保持能力，去噪能力可達(dá)到國(guó)際先進(jìn)水平。第五章基于魯棒權(quán)重估計(jì)的圖像混合噪聲去除方法首先介紹了混合噪聲的觀測(cè)模型，接著介紹了混合噪聲去除領(lǐng)域經(jīng)典的方法，然后針對(duì)目前權(quán)重模型存在的問題，提出基于魯棒性權(quán)重估計(jì)的混合噪聲去除方法，隨后詳細(xì)介紹了模型的求解過程和參數(shù)設(shè)計(jì)。最后給出了實(shí)驗(yàn)結(jié)果和分析，驗(yàn)證了本章方法的優(yōu)越性。

武漢大學(xué)博士學(xué)位論文14and-PepperImpulseNoise，簡(jiǎn)稱SPIN），像素點(diǎn)會(huì)呈現(xiàn)出最亮（白）或最暗（黑）的情況，就像撒在食物上的椒鹽，故此得名。如圖2.1中（c）圖2.1受到不同噪聲影響的Lena圖像。（a）干凈的Lena圖像；（b）受到高斯白噪聲影響的圖像；（c）受到椒鹽噪聲影響的圖像；（d）受到隨機(jī)值脈沖噪聲影響的圖像；（e）受到柏松噪聲影響的圖像；（f）受到量化噪聲影響的圖像所示為受到椒鹽噪聲影響的Lena圖像；（b）隨機(jī)值脈沖噪聲（RandomValuedImpulseNoise，簡(jiǎn)稱RVIN），受這種噪聲影響的像素點(diǎn)取值會(huì)在最小值和最大值之間均勻隨機(jī)取值，故此得名。如圖2.1中（d）所示為受到隨機(jī)值脈沖噪聲影響的Lena圖像。（3）柏松噪聲（PoissonNoise）：它主要是由于成像系統(tǒng)中統(tǒng)計(jì)性的量子漲落引起（Bovik，2010）。這種噪聲一般服從柏松分布（PoissonDistribution），在大部多數(shù)情況下，它都可以被近似看作是高斯白噪聲。如圖2.1中（e）所示為受到柏松噪聲影響的隨機(jī)值脈沖噪聲的Lena圖像。（4）量化噪聲（QuantizationNoise）：它一般是在成像傳感器的量化過程中產(chǎn)生（HealeyandKondepudy，1994）。這種噪聲一般被認(rèn)為近似服從均勻分布（UniformDistribution）。如圖2.1中（f）所示為受到量化噪聲影響的Lena圖像。除了上述幾種噪聲之外，還有比較著名的相干斑噪聲（SpeckleNoise）、瑞利噪聲（RayleighNoise）、伽馬噪聲（GammaNoise）等其他類型噪聲，但是它們主要存在


本文編號(hào)：3610610