圖像在獲取、傳輸、存儲(chǔ)的過(guò)程中容易受到噪聲的干擾。噪聲圖像的存在是非常普遍的。噪聲圖像不僅影響視覺(jué)體驗(yàn),而且對(duì)數(shù)字圖像處理技術(shù)有較大的影響。本文以顯著性檢測(cè)為例,研究噪聲圖像的顯著性檢測(cè)算法,同時(shí)提出結(jié)合噪聲圖像特性的去噪方法。圖像顯著性檢測(cè)在圖像壓縮、圖像分割、圖像檢索等方面有重要的應(yīng)用價(jià)值。目前大多數(shù)的顯著性檢測(cè)算法都是基于無(wú)噪聲圖像提出的。針對(duì)此問(wèn)題,本文首先對(duì)典型的圖像顯著性檢測(cè)算法在圖像質(zhì)量評(píng)估數(shù)據(jù)集（Tampere Image Database,TID2013）上做性能分析。TID2013數(shù)據(jù)集含有24種失真類(lèi)型,其中包含多種噪聲失真。鑒于缺少結(jié)合不同噪聲類(lèi)型和幅度的顯著性檢測(cè)數(shù)據(jù)集,本文基于TID2013數(shù)據(jù)集,人工標(biāo)注每張圖像的顯著對(duì)象,得到人工標(biāo)注的標(biāo)準(zhǔn)顯著性圖。實(shí)驗(yàn)結(jié)果表明,顯著性檢測(cè)算法在失真圖像上的性能通常會(huì)降低,尤其在失真幅度較高時(shí)。為了解決噪聲圖像對(duì)顯著性檢測(cè)算法的負(fù)面影響,本文提出基于機(jī)器學(xué)習(xí)的噪聲圖像顯著性檢測(cè)方法。首先,本文機(jī)器學(xué)習(xí)方法建立噪聲圖像特征和噪聲幅度間的映射關(guān)系,得到噪聲幅度預(yù)測(cè)模型。然后,實(shí)驗(yàn)得到每個(gè)噪聲類(lèi)型和幅度的最優(yōu)去噪?yún)?shù)。對(duì)每幅噪... 

【文章來(lái)源】：福州大學(xué)福建省 211工程院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１參考圖像和失真類(lèi)型＃１高斯白噪聲失真圖像??

?福州大學(xué)工稈碩士學(xué)位論文???２．４．２?ＭＳＲＡ－１０００顯著性檢測(cè)數(shù)據(jù)集??ＭＳＲＡ－１０００數(shù)據(jù)集［２ｑ丨是發(fā)表在國(guó)際會(huì)議ＣＶＰＲ?２００９年中的Ａｃｈａｎｔａ提供的，其??包含１０００張的參考圖像和１０００張的人工標(biāo)注的標(biāo)準(zhǔn)顯著性圖（Ｇｒｏｕｎｄ?ｔｒｕｔｈ）。丨０００??張人Ｘ標(biāo)注的標(biāo)準(zhǔn)顯著性圖，首先是經(jīng)過(guò)９名用戶用矩形框圈將顯著對(duì)象圈出，然后??．按這＿９名用戶．的標(biāo)注結(jié)果，人工分割出顯著對(duì)象如圖２－２所示，楓葉和花朵為顯著??對(duì)象，對(duì)應(yīng)人工分割的顯著性圖的白色部分，而背景部分對(duì)應(yīng)黑色部分。這種基于像??素級(jí)的分割的顯著性圖，具有較高的精準(zhǔn)性。??

．按這＿９名用戶．的標(biāo)注結(jié)果，人工分割出顯著對(duì)象如圖２－２所示，楓葉和花朵為顯著??對(duì)象，對(duì)應(yīng)人工分割的顯著性圖的白色部分，而背景部分對(duì)應(yīng)黑色部分。這種基于像??素級(jí)的分割的顯著性圖，具有較高的精準(zhǔn)性。??圖２－２?ＭＳＲＡ－丨０００數(shù)據(jù)集提供的參考圖像和人工標(biāo)注的標(biāo)準(zhǔn)顯著性圖??２．４．３圖像去噪數(shù)據(jù)集??Ｂｅｒｋｅｌｅｙ?Ｓｅｇｍｅｎｔａｔｉｏｎ?Ｄａｔａｓｅｔ?（ＢＳＤ）數(shù)據(jù)集［４３】包含５００張圖像，常被用在圖像??分割和圖像去噪領(lǐng)域中使用。ＢＳＤ數(shù)據(jù)集其包含各式各樣的類(lèi)型的圖像，從人物、風(fēng)??景、動(dòng)物、汽車(chē)等類(lèi)型都有相應(yīng)的圖像，包含簡(jiǎn)單到復(fù)雜的場(chǎng)景。豐富的圖像類(lèi)型能??夠更好檢驗(yàn)算法的魯棒性。如圖２－３中，展示了一部分ＢＳＤ數(shù)據(jù)集中的圖像。??

【參考文獻(xiàn)】：
期刊論文
[1]基于小波域的圖像噪聲估計(jì)新方法[J]. 張旗,梁德群,樊鑫.  計(jì)算機(jī)工程. 2004(08)



本文編號(hào)：3608949