發(fā)布時間：2017-12-12 02:17

  本文關(guān)鍵詞：基于正則化優(yōu)化的圖像視頻復(fù)原方法研究

  更多相關(guān)文章： 圖像視頻復(fù)原 正則化約束 優(yōu)化建模 自相似性 貝葉斯概率理論 參數(shù)自適應(yīng)調(diào)節(jié)

【摘要】：近些年來,隨著信號采集技術(shù)和計算機運算能力的爆炸式發(fā)展,以圖像和視頻作為內(nèi)容載體的多媒體應(yīng)用得到了廣泛關(guān)注并被快速普及。在以數(shù)碼相機、智能手機為代表的消費電子領(lǐng)域和以醫(yī)學(xué)成像、安防監(jiān)控為代表的專業(yè)成像領(lǐng)域中,圖像視頻的相關(guān)應(yīng)用開始扮演不可或缺的角色。但是在圖像視頻信號的獲取過程中,由于環(huán)境噪聲、器件缺陷、攝影水平、編碼壓縮等主客觀因素的影響,人們所獲取的圖像視頻信號會產(chǎn)生不同程度的質(zhì)量下降。而圖像視頻本身質(zhì)量的下降不僅會直觀地影響觀察者的觀看體驗,更會降低后續(xù)處理任務(wù)(如分割、識別、理解)的有效性和準(zhǔn)確性。因此,如何從質(zhì)量下降的圖像視頻信號中恢復(fù)出貼近本真視覺內(nèi)容的恢復(fù)結(jié)果是多媒體處理領(lǐng)域最為基本和關(guān)鍵的研究課題。大多數(shù)的圖像視頻降質(zhì)現(xiàn)象都可以建模為對原信號進行函數(shù)映射并疊加上隨機噪聲的數(shù)學(xué)過程。由于降質(zhì)模型中的函數(shù)映射通常不是一一對應(yīng)的,并且噪聲還引入了額外的干擾,因此往往存在無窮多的恢復(fù)結(jié)果都能與降質(zhì)模型相符合的現(xiàn)象。然而,這些結(jié)果中的絕大多數(shù)都是病態(tài)解,即它們雖然滿足數(shù)學(xué)模型,但是與本真的圖像視頻信號卻相差甚遠。要解決這一問題,就必須要將反映圖像視頻本真性質(zhì)的先驗信息融入到復(fù)原過程中,以便約束復(fù)原方法在本真信號附近的合理區(qū)域內(nèi)尋找最終的恢復(fù)結(jié)果。為了達到此目的,學(xué)術(shù)界和工業(yè)界的主流思想是將復(fù)原過程建模為一個最優(yōu)化問題,并在此問題中引入能夠體現(xiàn)圖像視頻先驗性質(zhì)的正則化約束項來規(guī)范最終的求解結(jié)果。如此一來,通過求解這一優(yōu)化問題,我們就能保證最終解滿足某些合理的性質(zhì),并能盡量逼近待復(fù)原的本真內(nèi)容。近二十多年來,研究者們就如何設(shè)計有效的圖像視頻正則化優(yōu)化模型進行了大量的理論研究和應(yīng)用實踐。但是,針對圖像視頻在多個組成單元、多個維度、不同內(nèi)容和不同約束機制下所表現(xiàn)出的各具特點的先驗性質(zhì)進行深入挖掘和精準(zhǔn)建模的研究工作還不多見,仍然有待進一步研究。本文從圖像視頻復(fù)原的正則化優(yōu)化建模出發(fā),探討如何利用圖像視頻在多個組成單元、多個維度、不同內(nèi)容和不同約束機制下所具有的先驗性質(zhì)來構(gòu)建和解決面向不同應(yīng)用場景下的正則化優(yōu)化問題。文章分別針對圖像在小塊單元上的組稀疏表達性質(zhì)建模、視頻分量在時空維度上自相似性差異建模、不同圖像內(nèi)容的非平穩(wěn)非勻質(zhì)統(tǒng)計特性建模、以及基于約束機理的普適性正則化建模等四個方面展開研究,旨在進一步提高圖像視頻復(fù)原的恢復(fù)質(zhì)量。論文的主要工作及創(chuàng)新點如下:1.本文針對JPEG量化塊效應(yīng)的去除問題,設(shè)計了基于組稀疏模型的正則化優(yōu)化復(fù)原方法。針對JPEG量化壓縮后的圖像中所存在的不連續(xù)塊效應(yīng)問題,本文利用圖像中的小塊所具有的非局部自相似特性,發(fā)展了原有的稀疏表達模型,提出了基于圖像小塊單元上自相似性質(zhì)的組稀疏表達模型作為復(fù)原問題中的正則化約束項。進一步,本文將這一組稀疏模型與示性函數(shù)相結(jié)合,精確建模了 JPEG壓縮的降質(zhì)過程和自然圖像在塊尺度上的先驗信息。通過相關(guān)優(yōu)化問題的求解,新方法相較于現(xiàn)有方法顯著提升了重建圖像的視覺質(zhì)量。2.本文針對現(xiàn)存的老電影資料中存在的斑點和劃痕等瑕疵的檢測問題設(shè)計了基于分量分解模型的檢測方法。首先,本文利用視頻序列中不同分量在空間維度上的相關(guān)性差異建立了結(jié)構(gòu)+紋理正則化分離模型,將斑點和劃痕劃分到不同的分量中;隨后,本文再利用視頻序列在時間維度上的相關(guān)性差異建立了低秩+稀疏正則化分離模型,將這些分量中的斑點或劃痕與原本的視頻內(nèi)容區(qū)分開來,最終達到高效檢測標(biāo)記老電影中瑕疵的目的。測試結(jié)果表明,本文所提方法對形狀復(fù)雜和大小多變的瑕疵都能取得優(yōu)于現(xiàn)有方法的檢測結(jié)果。3.本文基于圖像中不同組成內(nèi)容所體現(xiàn)出的非平穩(wěn)非均勻的先驗特性提出了針對一般化總變差的內(nèi)容自適應(yīng)改進模型。首先,本文從貝葉斯概率理論的角度出發(fā),分析了正則化優(yōu)化問題與最大化貝葉斯后驗概率之間所存在的內(nèi)在聯(lián)系。隨后,基于這一思路本文導(dǎo)出了一般化總變差背后蘊含的圖像先驗概率模型假設(shè),并得出了這一正則化約束中的加權(quán)參數(shù)與相應(yīng)的先驗概率模型中參數(shù)所存在的定量關(guān)系。最后,本文設(shè)計了一套穩(wěn)健有效的統(tǒng)計估計方案用于估計概率模型參數(shù),并進一步導(dǎo)出內(nèi)容自適應(yīng)的正則化模型參數(shù)。通過這一系列改進,新的模型能自適應(yīng)地根據(jù)圖像內(nèi)容調(diào)節(jié)其加權(quán)參數(shù)。實驗結(jié)果表明,與經(jīng)典的總變差類模型相比,新模型能有效地提升最終結(jié)果的恢復(fù)質(zhì)量。4.本文從度量約束機制的角度出發(fā),提出了可應(yīng)用于視頻復(fù)原問題的高階非局部總變差模型。通過實驗觀察和理論分析,本文發(fā)現(xiàn)非局部總變差模型中的先驗假設(shè)不能對實際視頻中各類內(nèi)容所具有的復(fù)雜取值變化性質(zhì)進行準(zhǔn)確建模。對此,本文引入了針對非局部梯度分量的均值估計作為輔助參數(shù),并在此均值估計的基礎(chǔ)上建立了二階的非局部正則化約束項,由此構(gòu)建了更靈活更精準(zhǔn)的正則化約束模型。此外,通過進一步引入自適應(yīng)的參數(shù)調(diào)節(jié)策略,這一新模型還能根據(jù)待恢復(fù)的視覺內(nèi)容適配約束強度。多種視頻復(fù)原任務(wù)中的測試結(jié)果表明,本文所提的新模型能取得優(yōu)于現(xiàn)有方法的恢復(fù)效果。
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊忠根,張振,夏正敏;應(yīng)用于雙線性問題的無變換正則化[J];哈爾濱工程大學(xué)學(xué)報;2005年04期

2 尹學(xué)松;胡恩良;;半監(jiān)督正則化學(xué)習(xí)[J];小型微型計算機系統(tǒng);2010年12期

3 相文楠;趙建立;;判別正則化譜回歸[J];聊城大學(xué)學(xué)報(自然科學(xué)版);2011年04期

4 李勇周;羅大庸;劉少強;;基于正則化最小二乘的局部判別投影的人臉識別[J];模式識別與人工智能;2008年05期

5 莊福振;羅平;何清;史忠植;;基于混合正則化的無標(biāo)簽領(lǐng)域的歸納遷移學(xué)習(xí)[J];科學(xué)通報;2009年11期

6 朱林立;戴國洪;高煒;;正則化框架下半監(jiān)督本體算法[J];微電子學(xué)與計算機;2014年03期

7 劉小蘭;郝志峰;楊曉偉;馬獻恒;;基于最小熵正則化的半監(jiān)督分類[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2010年01期

8 關(guān)海鷗;衣淑娟;焦峰;許少華;左豫虎;金寶石;;農(nóng)作物缺素癥狀診斷的正則化模糊神經(jīng)網(wǎng)絡(luò)模型[J];農(nóng)業(yè)機械學(xué)報;2012年05期

9 劉敏;陳恩慶;楊守義;;正則化粒子濾波在水下目標(biāo)跟蹤中的應(yīng)用[J];電視技術(shù);2012年09期

10 尚曉清;楊琳;趙志龍;;基于非凸正則化項的合成孔徑雷達圖像分割新算法[J];光子學(xué)報;2012年09期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 毛玉明;郭杏林;呂洪彬;;動載荷反演問題的正則化求解[A];第18屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集第Ⅰ冊[C];2009年

2 王彥飛;;地球物理數(shù)值反演問題的最優(yōu)化和正則化理論與方法[A];中國地球物理學(xué)會第二十七屆年會論文集[C];2011年

3 廖熠;趙榮椿;;從明暗恢復(fù)形狀方法綜述[A];中國體視學(xué)學(xué)會圖像分析專業(yè)、中國體視學(xué)學(xué)會仿真與虛擬現(xiàn)實專業(yè)、中國航空學(xué)會信號與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會議論文集[C];2000年

4 張瀚銘;閆鑌;李磊;;一種基于TV正則化的有限角度CT圖像重建算法[A];全國射線數(shù)字成像與CT新技術(shù)研討會論文集[C];2012年

5 熊春陽;黃建永;方競;;高性能牽引力顯微鏡方法及其在細胞力學(xué)研究中的應(yīng)用[A];中國生物醫(yī)學(xué)工程學(xué)會成立30周年紀(jì)念大會暨2010中國生物醫(yī)學(xué)工程學(xué)會學(xué)術(shù)大會報告論文[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 牛善洲;基于變分正則化的低劑量CT成像方法研究[D];南方醫(yī)科大學(xué);2015年

2 盧振波;基于正則化優(yōu)化的圖像視頻復(fù)原方法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

3 王梅;正則化路徑上的支持向量機模型組合[D];天津大學(xué);2013年

4 劉小蘭;基于圖和熵正則化的半監(jiān)督分類算法[D];華南理工大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 黃樹東;協(xié)同聚類及集成的關(guān)鍵技術(shù)研究[D];西南交通大學(xué);2015年

2 白閃閃;基于L0正則化局部字典學(xué)習(xí)的視頻追蹤[D];大連理工大學(xué);2015年

3 王凱;求解斯托克斯流動問題的正則化源點法[D];太原理工大學(xué);2016年

4 郗仙田;正交正則化核典型相關(guān)分析的研究[D];東北電力大學(xué);2016年

5 張振月;基于范數(shù)正則化回歸的人臉識別[D];山東大學(xué);2016年

6 王吉興;拉普拉斯圖正則化的字典學(xué)習(xí)圖像去噪算法研究[D];五邑大學(xué);2016年

7 袁瑛;基于正則化的多核學(xué)習(xí)方法及應(yīng)用[D];華南理工大學(xué);2016年

8 董學(xué)輝;邏輯回歸算法及其GPU并行實現(xiàn)研究[D];哈爾濱工業(yè)大學(xué);2016年

9 朱園園;基于Log-det正則化的半徑—間隔學(xué)習(xí)方法及其應(yīng)用[D];哈爾濱工業(yè)大學(xué);2016年

10 張嬙;正則化自表示方法在蛋白質(zhì)-ATP結(jié)合位點預(yù)測中的應(yīng)用[D];東北師范大學(xué);2016年

，

本文編號：1280782