本文對圖像復原中的正則項設計進行了研究,其核心思路為對圖像先驗進行分析和建模,主要內(nèi)容可以分為兩部分。在第一部分內(nèi)容中,本文指出許多基于“分析”的正則項都利用了邊緣稀疏作為圖像先驗。然而,在邊緣區(qū)域和紋理區(qū)域,邊緣稀疏并不存在。這就導致基于邊緣稀疏的正則項在這些區(qū)域的性能并不理想。這些正則項在去噪的同時,也會有平滑圖像中邊緣和紋理的傾向。也就是說,它們保護邊緣和紋理的能力十分有限。在本文的第一部分內(nèi)容中,本文提出利用角點稀疏作為先驗來構建正則項。直觀來看,即使在邊緣稀疏并不存在的邊緣區(qū)域和紋理區(qū)域,角點稀疏性仍然存在。因此,基于角點稀疏的正則項能夠取得比基于邊緣稀疏的正則項更為優(yōu)良的性能。進一步,利用角點稀疏性,本文提出了一個基于Noble角點檢測函數(shù)的正則項。在實驗部分中,該正則項的優(yōu)良性能得到了充分的體現(xiàn),這在邊緣區(qū)域和紋理區(qū)域尤為明顯。在第二部分內(nèi)容中,本文指出基于高斯混合模型的正則項可以看做是引入了分類策略的基于稀疏表示的正則項。然而,基于稀疏表示的正則項僅具備捕捉圖像塊局部特征的能力。圖像處理領域近期的進展已表明,利用了非局部相似性的群稀疏表示方法往往能取得比稀疏表示方法更優(yōu)良...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖2.1在點x1,x2,x3上結構張量的特征值與特征向量

本文在圖2.1中展示了不同區(qū)域中結構張量的構張量均值去噪算法的啟發(fā)，文獻[17,19]提出了一種稱為ureTensor,NLST)的特殊結構張量。非局部結構張量2,,,dNLwexyxy是濾波器參數(shù)，dγ(·)由下式定義：....

圖3.11000張大小為256×384的圖像的Noble角點檢測函數(shù)值的統(tǒng)計曲線

圖像局部結構信息，該正則具有很好的圖像自適應能力測器都是圖像處理領域中經(jīng)典的邊緣檢測器[42]。疏性的驗證和分析1000張大小為256×384的圖像的Noble角點檢測函數(shù)值的統(tǒng)計大小為256×384的噪聲圖像及帶噪聲的模糊圖像的Noble角點

圖3.21000張大小為256×384的噪聲圖像及帶噪聲的模糊圖像的Noble角點檢測函數(shù)值的統(tǒng)計曲線

圖像局部結構信息，該正則具有很好的圖像自適應能力測器都是圖像處理領域中經(jīng)典的邊緣檢測器[42]。疏性的驗證和分析稀疏”被廣泛地應用于正則項設計中，而在圖像中角點往自然的問題是，“角點稀疏”是否同樣能用于正則項設計呢先對角點稀疏性進行了驗證，然后對如何將角點稀疏作為。性的驗證大小為....

圖3.3利用Noble角點檢測函數(shù)對“House”圖像及其對應的噪聲圖像和帶噪聲的模糊圖像的角點檢測結果

其形式如下：21212,Hmxxxxx(3-2)其中，是一可調節(jié)的參數(shù)。為了避免調節(jié)參數(shù)的麻煩，文獻[43]提出了Noble角點檢測函數(shù)。Noble角點檢測函數(shù)的形式如下：....

本文編號：4024951