本文對(duì)圖像復(fù)原中的正則項(xiàng)設(shè)計(jì)進(jìn)行了研究,其核心思路為對(duì)圖像先驗(yàn)進(jìn)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(xiàng)都利用了邊緣稀疏作為圖像先驗(yàn)。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(dǎo)致基于邊緣稀疏的正則項(xiàng)在這些區(qū)域的性能并不理想。這些正則項(xiàng)在去噪的同時(shí),也會(huì)有平滑圖像中邊緣和紋理的傾向。也就是說,它們保護(hù)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(diǎn)稀疏作為先驗(yàn)來構(gòu)建正則項(xiàng)。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(diǎn)稀疏性仍然存在。因此,基于角點(diǎn)稀疏的正則項(xiàng)能夠取得比基于邊緣稀疏的正則項(xiàng)更為優(yōu)良的性能。進(jìn)一步,利用角點(diǎn)稀疏性,本文提出了一個(gè)基于Noble角點(diǎn)檢測(cè)函數(shù)的正則項(xiàng)。在實(shí)驗(yàn)部分中,該正則項(xiàng)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(xiàng)可以看做是引入了分類策略的基于稀疏表示的正則項(xiàng)。然而,基于稀疏表示的正則項(xiàng)僅具備捕捉圖像塊局部特征的能力。圖像處理領(lǐng)域近期的進(jìn)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(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1在點(diǎn)x1,x2,x3上結(jié)構(gòu)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(jié)構(gòu)張量的構(gòu)張量均值去噪算法的啟發(fā)，文獻(xiàn)[17,19]提出了一種稱為ureTensor,NLST)的特殊結(jié)構(gòu)張量。非局部結(jié)構(gòu)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(diǎn)檢測(cè)函數(shù)值的統(tǒng)計(jì)曲線

圖像局部結(jié)構(gòu)信息，該正則具有很好的圖像自適應(yīng)能力測(cè)器都是圖像處理領(lǐng)域中經(jīng)典的邊緣檢測(cè)器[42]。疏性的驗(yàn)證和分析1000張大小為256×384的圖像的Noble角點(diǎn)檢測(cè)函數(shù)值的統(tǒng)計(jì)大小為256×384的噪聲圖像及帶噪聲的模糊圖像的Noble角點(diǎn)

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(diǎn)檢測(cè)函數(shù)值的統(tǒng)計(jì)曲線

圖像局部結(jié)構(gòu)信息，該正則具有很好的圖像自適應(yīng)能力測(cè)器都是圖像處理領(lǐng)域中經(jīng)典的邊緣檢測(cè)器[42]。疏性的驗(yàn)證和分析稀疏”被廣泛地應(yīng)用于正則項(xiàng)設(shè)計(jì)中，而在圖像中角點(diǎn)往自然的問題是，“角點(diǎn)稀疏”是否同樣能用于正則項(xiàng)設(shè)計(jì)呢先對(duì)角點(diǎn)稀疏性進(jìn)行了驗(yàn)證，然后對(duì)如何將角點(diǎn)稀疏作為。性的驗(yàn)證大小為....

圖3.3利用Noble角點(diǎn)檢測(cè)函數(shù)對(duì)“House”圖像及其對(duì)應(yīng)的噪聲圖像和帶噪聲的模糊圖像的角點(diǎn)檢測(cè)結(jié)果

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

本文編號(hào)：4024951