本文關(guān)鍵詞：圖像處理中去噪與超像素生成算法研究　出處：《山東大學(xué)》2017年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 圖像分割 超像素 圖像去噪 視頻去噪 稀疏性 低秩性 聚類 網(wǎng)格簡化

【摘要】：視覺是人類獲取信息的主要方式之一。圖像在人類工作和生活中充當(dāng)著異常重要的角色。圖像處理就是指從圖像中提取信息的關(guān)鍵技術(shù),在工業(yè)和生活等各個(gè)方面都有廣泛的應(yīng)用,如農(nóng)業(yè)生產(chǎn)、石油勘探、生物醫(yī)學(xué)等領(lǐng)域。圖像去噪與超像素生成(過分割)作為圖像處理中的兩個(gè)基本任務(wù),為圖像分析和理解提供了堅(jiān)實(shí)的基礎(chǔ)。在圖像獲取、壓縮、傳輸階段,由于環(huán)境、傳輸信道等多種因素的影響,圖像會(huì)受到噪聲的干擾,而使圖像信息丟失,產(chǎn)生失真。對(duì)失真的圖像進(jìn)行處理,勢(shì)必會(huì)影響圖像處理的結(jié)果,降低提取信息的準(zhǔn)確度,進(jìn)而干擾據(jù)此做出的各種判斷和決策。圖像去噪即是要從含有噪聲的圖像信號(hào)中去除噪聲干擾,從而恢復(fù)出圖像真實(shí)信號(hào),進(jìn)而保證進(jìn)一步圖像處理與分析結(jié)果的準(zhǔn)確性。因?yàn)樵肼暦N類的多樣性,目前去噪算法還存在一些問題。一方面,圖像去噪算法通常都是針對(duì)某一種特殊的噪聲模型提出的,而算法效果很大程度上取決于所處理噪聲和算法所采用的噪聲模型的匹配程度。絕大多數(shù)已經(jīng)存在的去噪算法都是針對(duì)高斯噪聲而設(shè)計(jì),對(duì)其他噪聲,如椒鹽噪聲,則去噪效果微乎其微。另一方面,針對(duì)單幅圖像提出的去噪算法用于視頻序列去噪時(shí),是對(duì)每一幀圖像依次分別進(jìn)行處理,忽略了視頻的時(shí)域特征。圖像超像素是將具有相似屬性的像素點(diǎn)聚集成一個(gè)區(qū)域,代替像素對(duì)圖像進(jìn)行表示,從而減少表示圖像原子結(jié)構(gòu)的數(shù)量級(jí),進(jìn)而降低后續(xù)圖像處理算法的復(fù)雜度,為圖像處理算法的實(shí)時(shí)性提供可能。由于圖像本身種類繁多、內(nèi)容復(fù)雜,目前超像素生成算法還存在一些問題和挑戰(zhàn)。一方面,超像素的邊界應(yīng)該與圖像邊緣緊密貼合。而在需要考慮緊致性的情形下,由于邊界貼合率與緊致性二者之間的相互制約關(guān)系,使得同時(shí)獲得既能較好保持邊界又具有高緊致性的超像素難度較大。另一方面,大多數(shù)算法都試圖生成大小一致的超像素,而由于圖像內(nèi)容分布的不均勻性,在超像素?cái)?shù)目一定的情況下,如果平坦區(qū)域可以采用少量尺寸較大的超像素表示,而細(xì)節(jié)豐富的區(qū)域采用數(shù)量相對(duì)較多、尺寸較小的超像素進(jìn)行表示,那么圖像就能獲得更準(zhǔn)確的表達(dá),這樣的超像素能保持更多的圖像信息。本文圍繞上述圖像去噪與超像素生成中存在的難點(diǎn)問題展開研究,并提出了多種解決方案。本文的主要工作包括:1.提出了基于低秩矩陣恢復(fù)的去除視頻椒鹽噪聲的方法。通過觀察分析,視頻相鄰幀圖像之間具有很大的結(jié)構(gòu)相似性,也就是說視頻序列具有極高的時(shí)間冗余性。采用非局部處理方法的基本思想,將每一幀圖像當(dāng)作一個(gè)圖像塊,相鄰幀圖像作為相似圖像塊,將其各自排列成列向量并構(gòu)成矩陣,該矩陣具有低秩性。這樣就將去除視頻椒鹽噪聲的問題轉(zhuǎn)換為了低秩矩陣恢復(fù)問題。該算法可以較好的去除視頻信號(hào)中的椒鹽噪聲,并獲得令人滿意的量化結(jié)果。2.提出了保持邊界的圖像超像素生成算法。為了使生成的超像素在兼顧緊致性的同時(shí)能更好的貼合圖像邊界,該算法重新定義了一個(gè)集超像素邊界信息、緊致性和內(nèi)部一致性于一體的距離度量函數(shù)對(duì)每個(gè)像素點(diǎn)進(jìn)行歸類。同時(shí)通過設(shè)置參數(shù),調(diào)節(jié)三者之間的比重,實(shí)現(xiàn)邊界貼合率與緊致性之間的可調(diào)平衡。為了能更好的刻畫圖像邊界,該算法還提出了一種利用鄰域像素信息度量像素點(diǎn)位于圖像邊界概率的計(jì)算公式。為了使算法在每次迭代的過程中的結(jié)果能更加準(zhǔn)確,算法中還提出了基于3-sigma原則的更新策略。實(shí)驗(yàn)結(jié)果證明,該算法生成的超像素不僅能很好的貼合圖像邊界,而且可以在邊界貼合率和緊致性之間實(shí)現(xiàn)可調(diào)節(jié)的平衡。3.提出了基于二次誤差測度(QEM)的超像素生成算法。圖像是從三維空間中經(jīng)過采樣得到的。如果將二維圖像反映射回三維空間,那么三維空間中的算法就可以用于圖像處理領(lǐng)域�；诖朔N想法,本文將圖像網(wǎng)格化,并拓展到三維空間,從而將圖像超像素生成問題轉(zhuǎn)換成了網(wǎng)格簡化問題。為了使網(wǎng)格簡化方法更好的適用于圖像處理領(lǐng)域,該算法對(duì)傳統(tǒng)QEM算法進(jìn)行了改進(jìn),重新定義了邊收縮代價(jià)的度量,并選擇了多種圖像屬性進(jìn)行計(jì)算。通過多次實(shí)驗(yàn)驗(yàn)證,表明該方法是有效的且能生成多種尺度的超像素,并能較好的貼合圖像邊界。
[Abstract]:Vision is one of the main ways people get information. Images play an important role in human work and life. Image processing is the key technology to extract information from images. It has been widely applied in all aspects of industry and life, such as agricultural production, petroleum exploration, biomedicine and so on. Image denoising and super - pixel generation (over segmentation), as two basic tasks in image processing, provide a solid foundation for image analysis and understanding. In the stage of image acquisition, compression and transmission, due to various factors such as environment, transmission channel and so on, the image will be disturbed by noise, and the image information will be lost and distorted. The processing of distorted images is bound to affect the results of image processing, reduce the accuracy of information extraction, and interfere with the various judgments and decisions made accordingly. Image denoising is to remove noise interference from noisy image, and restore the real signal of image, so as to ensure the accuracy of further image processing and analysis. Because of the variety of noise, there are still some problems in the current denoising algorithm. On the one hand, image denoising algorithms are usually aimed at a particular noise model, and the algorithm depends largely on the matching degree of the noise and the noise models adopted by the algorithm. Most of the existing denoising algorithms are designed for Gauss noise. For other noises, such as salt and pepper noise, the denoising effect is negligible. On the other hand, the denoising algorithm proposed for single image is used to process every frame image in order to process the video sequence denoising, ignoring the temporal characteristics of the video. Image super pixels are the pixels with similar attributes gathered in a region, instead of pixels to represent the image, thus reducing the number of said level image of atomic structure, thereby reducing the complexity of subsequent image processing algorithms, providing real-time image processing algorithms. Because of the wide variety and complex content of the image itself, there are still some problems and challenges in the present super pixel generation algorithm. On the one hand, the boundary of the super pixel should be close to the edge of the image. In the case of compactness, due to the mutual restriction between the two constraints of the boundary and the compactness, it is difficult to obtain super pixels with good boundary and high compactness simultaneously. On the other hand, most of the algorithms to generate the same size of super pixels, but due to non-uniform distribution of the image content, the number of pixels in certain circumstances, if the flat area can be used a larger size of super pixels, and detail abundant areas with a relatively large number of smaller size, super pixel representation then, the image can get a more accurate expression, so the super pixel can keep more image information. In this paper, the difficulties in the image denoising and super pixel generation are studied, and a variety of solutions are proposed. The main work of this paper is as follows: 1. the method of removing salt and pepper noise based on low rank matrix recovery is proposed. Through observation and analysis, the video sequence has a great structural similarity, which means that the video sequence has a very high time redundancy. Using the basic idea of non local processing method, each frame image is taken as an image block, and the adjacent frame images are taken as similar image blocks, each of which is arranged into column vectors and constitutes a matrix, which has low rank property. In this way, the problem of removing the salt and pepper noise from the video is converted to the low rank matrix recovery problem. The algorithm can better remove the salt and pepper noise in the video signal and obtain satisfactory quantitative results. 2. an image super pixel generation algorithm is proposed to maintain the boundary. In order to make the generated super pixels fit the image boundary better while giving consideration to compactness, the algorithm redefines a distance metric function that integrates the information of super pixel boundary, compactness and internal consistency, and classifies each pixel. At the same time, by setting the parameters, the proportion between the three is adjusted, and the adjustable balance between the boundary rate and the tightness is realized. In order to better depict the image boundary, the algorithm also proposes a formula to measure the probability of pixels on the image boundary by using the neighborhood pixel information. In order to make the algorithm more accurate in the process of each iteration, an update strategy based on the 3-sigma principle is also proposed in the algorithm. Experimental results show that the super pixels generated by the algorithm can not only fit the image boundary well, but also achieve an adjustable balance between the boundary fitting rate and the compactness. 3. a super pixel generation algorithm based on two times error measure (QEM) is proposed. The image is sampled from the three-dimensional space. If the two-dimensional image is reflected back into the three-dimensional space, then the algorithm in the three-dimensional space can be used in the image processing field. Based on this idea, the image is meshed and extended to three dimensional space, and the problem of image super pixel generation is transformed into a mesh simplification problem. In order to make mesh simplification method better applied to image processing area, the algorithm improves the traditional QEM algorithm, redefines the measure of edge contraction cost, and selects a variety of image attributes to calculate. Through several experiments, it is proved that the method is effective and can generate a variety of super pixels, and can better fit the image boundary.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;圖像處理中心簡介[J];宇航學(xué)報(bào);2001年04期

2 陳伯濤;辦公室里新來的圖像處理專家[J];電子與電腦;2001年03期

3 嚴(yán)肅;圖像處理超出狹義的范圍[J];中南民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2001年02期

4 ;數(shù)據(jù)圖像處理三大技術(shù)[J];計(jì)算機(jī)時(shí)代;2004年12期

5 魏麒,何勇;圖像處理中的一個(gè)兩階段半雜交流水作業(yè)問題(英文)[J];Applied Mathematics:A Journal of Chinese Universities;2005年04期

6 阿飛;圖像處理軟件的色彩車間——“通道”[J];電腦愛好者;2005年03期

7 潘路;趙文娟;;圖像處理課程教學(xué)探討[J];中國西部科技;2006年22期

8 蘇曉;;基于GDI+的自建圖像處理庫[J];當(dāng)代經(jīng)理人;2006年09期

9 汪新星;吳秀玲;劉衛(wèi)平;孫俊英;;高分辨電子顯微像圖像處理技術(shù)的應(yīng)用[J];材料導(dǎo)報(bào);2007年06期

10 楊琛;;圖像處理中分辨率的選取[J];科技信息(學(xué)術(shù)研究);2008年10期

相關(guān)會(huì)議論文 前10條

1 苑廷剛;李愛東;李汀;艾康偉;嚴(yán)波濤;;圖像處理技術(shù)在田徑科研中的應(yīng)用初探[A];第七屆全國體育科學(xué)大會(huì)論文摘要匯編（二）[C];2004年

2 黃海永;朱浩;王朔中;;圖像處理軟件中宏結(jié)構(gòu)的實(shí)現(xiàn)和擴(kuò)展[A];面向21世紀(jì)的科技進(jìn)步與社會(huì)經(jīng)濟(jì)發(fā)展（上冊(cè)）[C];1999年

3 楊文杰;劉浩學(xué);;基于馬爾可夫場理論的圖像處理新方法評(píng)述[A];面向21世紀(jì)的科技進(jìn)步與社會(huì)經(jīng)濟(jì)發(fā)展（上冊(cè)）[C];1999年

4 王晉疆;劉文耀;肖松山;陳曉東;孫正;;光電圖像處理課程中教學(xué)環(huán)節(jié)的設(shè)計(jì)[A];光電技術(shù)與系統(tǒng)文選——中國光學(xué)學(xué)會(huì)光電技術(shù)專業(yè)委員會(huì)成立二十周年暨第十一屆全國光電技術(shù)與系統(tǒng)學(xué)術(shù)會(huì)議論文集[C];2005年

5 王鵬;;圖像處理技術(shù)與實(shí)驗(yàn)數(shù)據(jù)處理[A];全面建設(shè)小康社會(huì)：中國科技工作者的歷史責(zé)任——中國科協(xié)2003年學(xué)術(shù)年會(huì)論文集（上）[C];2003年

6 王曉劍;曹婉;王莎莎;;一種基于高速DSP的圖像處理應(yīng)用平臺(tái)[A];2008中國儀器儀表與測控技術(shù)進(jìn)展大會(huì)論文集（Ⅲ）[C];2008年

7 張煒;蔣大林;郎芬玲;曹廣鑫;王秀芬;;圖像處理技術(shù)應(yīng)用于選礦領(lǐng)域的綜述[A];第九屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集Ⅱ[C];2011年

8 劉春桐;趙兵;張志利;仲啟媛;;基于圖像處理的自動(dòng)瞄準(zhǔn)系統(tǒng)精度研究[A];全國自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)會(huì)議論文集（一）[C];2005年

9 李向榮;;美式落袋球自動(dòng)擺球系統(tǒng)的圖像處理研究[A];2008中國儀器儀表與測控技術(shù)進(jìn)展大會(huì)論文集（Ⅲ）[C];2008年

10 周榮官;周醒馭;;地質(zhì)雷達(dá)圖像處理在崩塌隱患探測中的應(yīng)用及分析[A];第六屆全國信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2012年

相關(guān)重要報(bào)紙文章 前10條

1 新疆大學(xué)紡織與服裝學(xué)院 袁春燕;圖像處理技術(shù)讓數(shù)據(jù)更真實(shí)[N];中國紡織報(bào);2013年

2 楊朝暉;我鄰域圖像處理達(dá)到每秒1350億次超高速[N];科技日?qǐng)?bào);2008年

3 吳啟海;圖像處理時(shí)8位/通道或16位/通道模式的選擇探討[N];中國攝影報(bào);2012年

4 殷幼芳;印前圖像處理技術(shù)對(duì)印刷質(zhì)量的影響[N];中國包裝報(bào);2005年

5 徐和德;圖像處理要適度[N];中國攝影報(bào);2006年

6 記者 申明;中星微發(fā)布場景高保真圖像處理技術(shù)[N];科技日?qǐng)?bào);2010年

7 楊玉軍;郵編圖像處理技術(shù)通過驗(yàn)收[N];中國郵政報(bào);2000年

8 董長生 吳志軍;用圖像處理軟件推動(dòng)刑偵信息技術(shù)工作[N];人民公安報(bào);2003年

9 殷幼芳;藝術(shù)化的圖像處理技術(shù)[N];中國包裝報(bào);2006年

10 ;富士圖像處理方案走進(jìn)手機(jī)[N];計(jì)算機(jī)世界;2002年

相關(guān)博士學(xué)位論文 前10條

1 羅軍;圖像處理快速算法研究與硬件化[D];武漢大學(xué);2014年

2 孫傳猛;煤巖圖像處理及細(xì)觀損傷本構(gòu)模型研究[D];重慶大學(xué);2015年

3 嵇曉平;基于各向異性擴(kuò)散方程圖像處理問題的研究[D];哈爾濱工業(yè)大學(xué);2015年

4 黎海生;量子圖像處理關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2014年

5 吳玉蓮;非局部信息和TGV正則在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2015年

6 張還;聚合物復(fù)合材料微觀圖像處理與分析[D];南京農(nóng)業(yè)大學(xué);2014年

7 劉宇飛;基于模型修正與圖像處理的多尺度結(jié)構(gòu)損傷識(shí)別[D];清華大學(xué);2015年

8 樊瑤;基于圖像處理的路面裂縫檢測關(guān)鍵技術(shù)研究[D];長安大學(xué);2016年

9 陸飛;基于浮點(diǎn)坐標(biāo)系的圖像處理方法及應(yīng)用研究[D];浙江工業(yè)大學(xué);2016年

10 職占江;圖像處理的變分模型若干問題研究[D];大連理工大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 董國齡;基于圖像處理技術(shù)的水表自動(dòng)檢定及管理系統(tǒng)的設(shè)計(jì)[D];天津理工大學(xué);2015年

2 李永晨;基于DSP的多路圖像處理硬件系統(tǒng)研究[D];天津理工大學(xué);2015年

3 杜高峰;基于opencv圖像處理的列車受電弓動(dòng)態(tài)特性監(jiān)測方法研究[D];西南交通大學(xué);2015年

4 王世豪;基于小波及壓縮感知的圖像處理方法及應(yīng)用研究[D];燕山大學(xué);2015年

5 牛蕾;基于非線性動(dòng)力系統(tǒng)的圖像處理[D];東北林業(yè)大學(xué);2015年

6 宋君毅;基于圖像處理的魚群監(jiān)測技術(shù)研究[D];天津理工大學(xué);2015年

7 古偉楷;基于異構(gòu)計(jì)算技術(shù)的視頻與圖像處理研究[D];華南理工大學(xué);2015年

8 康睿;基于圖像處理的砂土顆粒細(xì)觀特性分析[D];寧夏大學(xué);2015年

9 趙杰;柴油噴霧粒子圖像處理及軟件的設(shè)計(jì)[D];長安大學(xué);2015年

10 石璐;基于圖像處理的礦質(zhì)混合料級(jí)配檢測算法研究[D];長安大學(xué);2015年

，

本文編號(hào)：1343851