【摘要】：進(jìn)入信息化時代后,圖像已儼然成為人類獲取和傳播信息的重要來源,在人類生活中發(fā)揮著重要作用。然而,在現(xiàn)實(shí)生活中,圖像在采集和傳輸期間總會不可避免地受到各種噪聲的干擾,導(dǎo)致圖像質(zhì)量明顯降低。解決這類問題的處理過程稱為圖像去噪。圖像去噪是計算機(jī)視覺和圖像處理領(lǐng)域中的基礎(chǔ)問題,對后續(xù)圖像處理和應(yīng)用至關(guān)重要,它能夠保障人們更準(zhǔn)確的獲得圖像的有效信息。圖像去噪的關(guān)鍵在于如何通過去除噪聲的同時,保持原始圖像中的結(jié)構(gòu)和細(xì)節(jié)信息。多年來,人們投入了大量的研究工作,致力于為圖像去噪問題開發(fā)出有效的方法。在現(xiàn)有的圖像去噪方法中,非局部均值(nonlocal means,NLM)方法顯示出巨大的潛力。現(xiàn)階段,對NLM方法的研究工作主要包括以下二個方面:1)設(shè)計更加優(yōu)秀的相似性測度;2)建立與NLM方法相關(guān)的正則化理論框架。一方面,本文首先通過深入研究NLM方法的一些問題與不足,提出了一種改進(jìn)的NLM算法,獲得了比原始NLM和一部分改進(jìn)方法更好的去噪效果。另一方面,從數(shù)學(xué)的角度來看,圖像去噪本身就是一個不適定問題,解決此問題的有效方法之一是基于圖像先驗的正則化去噪模型,即基于對圖像做出的假設(shè),通過有效的先驗信息來構(gòu)造正則約束項,最終生成函數(shù)模型。正則化模型存在著其獨(dú)特的優(yōu)勢,然而該類方法也同樣存在著某些處理上的不足之處,比如階梯效應(yīng)問題以及紋理保護(hù)問題。由于NLM方法在一定程度上解決了階梯效應(yīng),因此本文充分挖掘圖像的多個先驗信息,如分段光滑性(梯度先驗)、非局部自相似性和低秩特性,并對正則化去噪模型進(jìn)行了深入研究。此外,由于最先進(jìn)的基于低秩約束的算法依賴于迭代增強(qiáng)步驟來提高去噪性能,本文還提出了一種基于自適應(yīng)增強(qiáng)技術(shù)的低秩去噪方法。該方法可以保證在消除噪聲污染的同時保存更多的細(xì)節(jié)信息。本文的主要研究內(nèi)容體現(xiàn)在以下幾個方面:1.研究了NLM方法在圖像塊的相似性度量和參數(shù)選擇方面的不足,提出了一種基于邊緣相似性度量和自適應(yīng)參數(shù)選擇的去噪方法。提出的方法的主要貢獻(xiàn)有:1)設(shè)計出了一個全新的抗噪差分算子來提高圖像的邊緣檢測的精度;2)對于圖像塊的相似性測度,提出了一個結(jié)合邊緣相似性和鄰域相似性的相似性度量方法;3)通過使用圖像結(jié)構(gòu)信息作為約束條件,自適應(yīng)地確定權(quán)重函數(shù)中的濾波參數(shù);4)采用兩階段去噪方案以優(yōu)化去噪結(jié)果。實(shí)驗結(jié)果表明:提出的方法獲得了比原始NLM以及其他一些算法更好地去噪效果,有效地保持了精細(xì)紋理結(jié)構(gòu),并且在PSNR和SSIM兩方面都達(dá)到了較好的效果。2.研究了基于圖像先驗的正則化去噪模型,針對現(xiàn)有的一些去噪方法會平滑圖像紋理和降低視覺質(zhì)量的問題,提出了一種自適應(yīng)紋理保持的去噪方法。提出的方法的主要貢獻(xiàn)有:1)提出了兩種類型的先驗一梯度直方圖匹配先驗和非局部自相似性先驗,并將它們結(jié)合起來進(jìn)行圖像去噪;2)引入符合超拉普拉斯分布的梯度直方圖匹配先驗,使去噪圖像的梯度直方圖盡可能接近原始圖像的梯度直方圖。同時,通過引入NSS先驗使模型有效地解決了階梯效應(yīng);3)為了提高該方法的精度,提出了一種基于邊緣檢測算子的內(nèi)容自適應(yīng)參數(shù)選擇方案;4)由于目標(biāo)函數(shù)的優(yōu)化問題是一個非凸優(yōu)化問題,提出了一種基于增廣拉格朗日乘子法和交替方向乘子法(alternating direction multiplier method,ADMM)結(jié)合的求解方案。實(shí)驗結(jié)果表明:提出的方法有效地保留了圖像的紋理細(xì)節(jié)信息,在各種評價指標(biāo)和視覺質(zhì)量方面,特別是在中、高噪聲水平下,優(yōu)于多種正則化去噪模型和其他最先進(jìn)的方法。3.針對基于低秩矩陣恢復(fù)的去噪模型進(jìn)行深入研究,發(fā)現(xiàn)原始圖像與一系列含噪圖像之間存在著一種奇異值函數(shù)關(guān)系,可以用來構(gòu)造無噪圖像的奇異值。本文基于以上理論,提出了一種全新的基于低秩先驗?zāi)Ｐ偷娜ピ敕椒�。提出的方法的主要貢獻(xiàn)有:1)利用圖像在不同噪聲水平下的能量特性,估計出奇異值分解(singular value decomposition,SVD)域內(nèi)組合矩陣的噪聲能量分布,并通過縮小噪聲的能量分布得到原始圖像的能量分布估計;2)利用SVD的最優(yōu)能量壓縮性質(zhì),在SVD域中對矩陣的低秩性進(jìn)行約束,獲得相似塊矩陣的低秩逼近;3)針對算法的迭代增強(qiáng)過程,提出了一種新的噪聲標(biāo)準(zhǔn)差估計方法,有效地優(yōu)化了迭代過程中的去噪效果。實(shí)驗結(jié)果表明:提出的方法在定量測量和視覺效果方面均能有效地降低噪聲,達(dá)到與現(xiàn)有方法相當(dāng)?shù)娜ピ胄阅堋?.為了進(jìn)一步提高低秩矩陣恢復(fù)的去噪算法性能,在研究并改進(jìn)最先進(jìn)的加權(quán)核范數(shù)最小化(weighted nuclear norm minimization,WNNM)方法的基礎(chǔ)上,提出了一種基于自適應(yīng)增強(qiáng)技術(shù)的低秩圖像去噪方法。提出的方法的主要貢獻(xiàn)有:1)為了有效地提高低秩去噪模型的性能,提出了一種自適應(yīng)的增強(qiáng)技術(shù)�？紤]利用先前的去噪圖像來增強(qiáng)信號,從統(tǒng)計分析入手,證明了自適應(yīng)增強(qiáng)方法的優(yōu)越性,然后在每一次迭代中,通過最優(yōu)解分析得到動態(tài)增強(qiáng)參數(shù),保證了方法的收斂性;2)在低秩去噪過程中,提出了一種自適應(yīng)相似塊搜索方案,以獲得有效的相似塊序列;3)針對算法的迭代次數(shù),提出了一種采用相關(guān)系數(shù)的停止準(zhǔn)則,自適應(yīng)地確定最優(yōu)迭代次數(shù)。實(shí)驗結(jié)果表明,該方法在去除噪聲的同時,可以保留更多的細(xì)節(jié)信息,在量化指標(biāo)方面優(yōu)于同類最先進(jìn)的去噪算法。
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP391.41
【圖文】：

使去噪結(jié)果更準(zhǔn)確。進(jìn)一步詳述了基于低秩模型的圖像去噪算法，結(jié)合逡逑己有方法的優(yōu)勢和不足，提出了改進(jìn)的方法。并且，本文的研究內(nèi)容主要是針逡逑對高斯白噪聲的去除。本文的具體章節(jié)安排如圖１．１所示，具體內(nèi)容包括：逡逑．第１章緒淪逡逑第２章閣像去噪的理論蝸逡逑邐？１１邐逡逑第４京褪相似？的第５草祛ｒ悌度丑＂ｒａ和｜第６奮ｉ于ｓｖｄ能逛分布逡逑丨’丨忇應(yīng)兩階段非陽部均邋非局部ｍｎ似先驗的ｎ邋估汁的低秩近似去噪方逡逑值去噪邐適應(yīng)紋狎保持去噪方法邐法逡逑圖１．１論文組織結(jié)構(gòu)圖逡逑第一章緒論。簡單介紹一下圖像去噪的背景和歷史，其次還介紹了圖像去逡逑噪的發(fā)展現(xiàn)狀和各種方法的優(yōu)劣，以及本文的研宄技術(shù)路線及主要創(chuàng)新工作。逡逑最后對本文的工作重點(diǎn)以及結(jié)構(gòu)安排進(jìn)行介紹。逡逑第二章介紹了圖像去噪的基本理論知識。首先簡要的概括了圖像噪聲模型，逡逑同時給出了圖像去噪結(jié)果的評價指標(biāo)，最后對圖像的方法噪聲進(jìn)行簡單介紹并逡逑給出例子。逡逑第三章詳細(xì)介紹了本文相關(guān)的經(jīng)典圖像去噪算法，即非局部去噪理論以及逡逑基于圖像先驗的正則化模型的相關(guān)知識，并詳細(xì)分析了圖像的先驗信息：圖像逡逑的梯度約束、自相似性約束、稀疏性約束以及低秩性約束。逡逑第四章研宄了ＮＬＭ算法，并指出該算法在圖像特征保持方面存在的不足。逡逑提出了一種結(jié)合邊緣信息的自適應(yīng)兩階段非局部去噪方法。詳細(xì)介紹了該算法逡逑的實(shí)現(xiàn)過程

義均值／ｉ邋＝邋０這種類型的噪聲為高斯白噪聲。逡逑在本文中，全部的去噪模型都是針對加性高斯白噪聲（ＡＷＧＮ）進(jìn)行研究逡逑的。圖２．１給出了一個含噪圖像的仿真例子。逡逑２．１．２乘性噪聲逡逑乘性噪聲和圖像信號是相關(guān)的，與圖像灰度值的大小成正相關(guān)關(guān)系１１０４１。因逡逑此乘性噪聲模型可表示為逡逑ｙ邋＝邋ｘｎ＇邐（２．３）逡逑＿逡逑

對于性能好的去噪算法，方法噪聲應(yīng)盡可能接近高斯白噪聲，并且應(yīng)盡量少的逡逑包含原始圖像中的結(jié)構(gòu)。事實(shí)上，即使是最先進(jìn)的去噪算法，如ＷＮＮＭ算法，逡逑其方法噪聲仍然包含細(xì)節(jié)信息。圖２．２邋（ａ）中為噪聲級為３０的含噪圖像逡逑圖２．２邋（ｂ）和（ｃ）中分別為用ＷＮＮＭ去噪的圖像和方法噪聲�？梢钥闯觯椒ㄥ义显肼曋泻写罅康膱D像結(jié)構(gòu)。逡逑１６逡逑

本文編號：2779697