【摘要】：在視覺信息感知過程中,數(shù)據(jù)獲取、壓縮、傳輸與存儲過程中各種干擾影響,以及拍攝設(shè)備自身局限與人為操作不當(dāng)?shù)戎T多因素,造成的數(shù)據(jù)丟失、噪聲引入、有限聚焦等圖像質(zhì)量問題,給人們對目標(biāo)或場景的感知與理解帶來了巨大的挑戰(zhàn)。因此,利用信號處理、計算機(jī)視覺以及機(jī)器學(xué)習(xí)等相關(guān)理論技術(shù),研究圖像去噪與融合技術(shù),對多模態(tài)或噪聲圖像進(jìn)行分析與處理,進(jìn)而更好地理解與感知目標(biāo)對象,具有十分重要的理論和現(xiàn)實(shí)意義。從圖像融合與去噪的難點(diǎn)問題出發(fā),以稀疏表示理論為核心,充分利用自然圖像內(nèi)在結(jié)構(gòu)相似性與變換基函數(shù)下的稀疏性,對圖像去噪與融合方法存在的計算復(fù)雜度高,以及“偽影”、“階梯”效應(yīng)、失真與信息丟失等問題,展開稀疏表示框架下的去噪與融合算法的研究。論文的創(chuàng)新性研究工作主要有:(1)針對稀疏聚類圖像去噪的參數(shù)非自適應(yīng)性,以及去噪圖像存在人為干擾現(xiàn)象等問題,提出一種基于結(jié)構(gòu)聚類與稀疏表示的圖像去噪模型。在稀疏聚類去噪模型的基礎(chǔ)上,引入圖像多形態(tài)成分分析,提出一種新的稀疏聚類去噪模型,從而更好地抑制噪聲信息;通過歐式距離刻畫相似塊組,采用混合高斯模型學(xué)習(xí)與判別圖像塊組,形成更緊致的KSVD訓(xùn)練字典,進(jìn)而更有效、完整地表征圖像幾何結(jié)構(gòu)與細(xì)節(jié)信息;將圖像結(jié)構(gòu)與內(nèi)容先驗(yàn)信息引入正則參數(shù)的構(gòu)建,分析與挖掘變換系數(shù)分布特性,優(yōu)化并確定去噪逼近模型,解決參數(shù)與模型的非自適應(yīng)問題;通過對去噪模型的迭代數(shù)學(xué)求解,重建去噪后圖像,提升圖像的質(zhì)量。(2)針對傳統(tǒng)圖像融合中邊緣振蕩、塊效應(yīng)、失真等問題,以及壓縮感知框架下感知測量的不確定性與融合策略等問題,提出了一種基于壓縮感知理論的多源圖像融合的新思路。通過分析不同尺度下圖像重建的精度,選擇合適的分解尺度;根據(jù)多尺度分解系數(shù)自身的特性,引入改進(jìn)的自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)與圖像質(zhì)量評價因子,構(gòu)建多融合策略,從而有效地提取源圖像的結(jié)構(gòu)與細(xì)節(jié)信息;通過改進(jìn)的梯度下降算法優(yōu)化確定性Toeplitz測量矩陣,解決測量矩陣高計算復(fù)雜度與低重建精度的問題,進(jìn)而通過改進(jìn)的壓縮采樣匹配追蹤算法精確重建融合圖像。(3)針對傳統(tǒng)圖像融合中塊效應(yīng)、失真等問題,以及圖像分解框架下圖像的完整、有效的描述與計算復(fù)雜度高等問題,提出了一種新穎的基于卡通-紋理稀疏分解的多聚焦圖像融合算法。受啟發(fā)于迭代重加權(quán)最小二乘法的求解思路,提出一種基于迭代重加權(quán)的卡通-紋理稀疏分解模型,解決圖像卡通-紋理分解有效表征與高計算復(fù)雜度問題,從而更有效、完整地表示圖像卡通分量與紋理分量;針對提出的分解模型,通過詳細(xì)地理論證明與分析,從數(shù)學(xué)原理上推導(dǎo)稀疏解的收斂性與可行性;根據(jù)圖像卡通-紋理成分特性,引入圖像質(zhì)量評價因子來構(gòu)建多融合策略,有效提取源圖像中顯著有用信息,從而進(jìn)一步提升融合圖像質(zhì)量。實(shí)驗(yàn)結(jié)果表明,本文提出的去噪與融合算法取得了較優(yōu)異的效果。最后,在理論分析與實(shí)驗(yàn)驗(yàn)證的基礎(chǔ)上,對論文的主要研究工作與取得成果做了總結(jié)與分析,并展望下一步的主要研究工作。
【圖文】：

(a) (b) (c) (d) (e)圖 3.3 不同算法的去噪效果。(a) 噪聲圖像（ 50n ）. (b) 基于 CSR 算法的去噪圖像. (c)基于 WNNM 算法的去噪圖像. (d) 基于 BM3D 算法的去噪圖像. (e) 基于提出算法的去噪圖像.Fig. 3.3 The denoised images via different methods. (a) Noisy image ( ). (b) The denoisedimages via CSR. (c) The denoised images via WNNM. (d) The denoised images via BM3D. (e) Thedenoised images via the proposed algorithm.從主觀評價來說，鑒于 BM3D 算法，考慮自然圖像內(nèi)在結(jié)構(gòu)自相似性，其去噪后圖像具有較好的平滑效果，如圖 3.3(d)所示。然而，稀疏聚類去噪方法（CSR）與加權(quán)核范數(shù)最小化去噪方法（WNNM），未充分考慮圖像內(nèi)在相似性與稀疏性的相互關(guān)聯(lián)與影響，所獲得去噪圖像在邊緣與紋理區(qū)域具有明顯的邊緣振蕩效應(yīng)，即“偽影”現(xiàn)象，如圖 3.3(b)和圖 3.3(c)所示。相比較而言，本文提出的基于稀疏表示與結(jié)構(gòu)聚類的圖像去噪方法所獲得去噪圖像，在邊緣、輪廓與紋理區(qū)域均有較好的效果，如圖 3.3(e)所示。特別的是，為了驗(yàn)證算法的穩(wěn)定性與有效性，對含有不同的噪聲方差的圖像做了類似的實(shí)驗(yàn)，其結(jié)果均表明本文提出的去噪算法取

(a) (b)圖 4.6 不同測量矩陣維數(shù)下重構(gòu)性能與信噪比。(a) 不同測量矩陣維數(shù)下重構(gòu)性能; (b) 不同測量矩陣維數(shù)下信噪比。Fig. 4.6 The recovery performance and signal noise ratio (SNR) by different sensing methods underdifferent measurements. (a) The recovery performance by different sensing methods under differentmeasurements; (b) The SNR by different methods under different sensing measurements;注意到，比較不同感知測量矩陣在相同的條件下的重構(gòu)性能與信噪比，通過改進(jìn)型梯度下降法優(yōu)化構(gòu)造的 Toeplitz 確定性測量矩陣在重構(gòu)性能與信噪比方面比其他方法具有更好的結(jié)果，如圖 4.6 所示。特別的是，從圖 4.6 可以看出，本文優(yōu)化的測量矩陣具有更好的穩(wěn)定性與魯棒性。因此，，CS 理論框架下的多源圖像融合中測量矩陣的不確定性、重構(gòu)性能低等問題，得到了有效地解決。4.3.3 稀疏變換基與重構(gòu)算法從流程圖 4.3 可以看出，CS 理論框架下的多源圖像融合算法中，還包含稀疏表達(dá)與重構(gòu)環(huán)節(jié)，下面將針對兩個環(huán)節(jié)的具體工作做相應(yīng)的介紹。
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張瑞;馮象初;王斯琪;常莉紅;;基于稀疏梯度場的非局部圖像去噪算法[J];自動化學(xué)報;2015年09期

2 文方青;張弓;賁德;;基于塊稀疏貝葉斯學(xué)習(xí)的多任務(wù)壓縮感知重構(gòu)算法[J];物理學(xué)報;2015年07期

3 林哲;閆敬文;袁野;;基于稀疏表示和PCNN的多模態(tài)圖像融合[J];山東大學(xué)學(xué)報(工學(xué)版);2013年04期

4 鄧翔宇;馬義德;;PCNN參數(shù)自適應(yīng)設(shè)定及其模型的改進(jìn)[J];電子學(xué)報;2012年05期

5 付強(qiáng);李瓊;;壓縮感知中構(gòu)造測量矩陣研究[J];電腦與電信;2011年09期

6 楊成;馮巍;馮輝;楊濤;胡波;;一種壓縮采樣中的稀疏度自適應(yīng)子空間追蹤算法[J];電子學(xué)報;2010年08期

7 ;L_(1/2) regularization[J];Science China(Information Sciences);2010年06期

8 楊波;敬忠良;;梅花形采樣離散小波框架圖像融合算法[J];自動化學(xué)報;2010年01期

9 劉坤;郭雷;李暉暉;陳敬松;;基于區(qū)域分割的紅外與可見光圖像融合算法的研究(英文)[J];Chinese Journal of Aeronautics;2009年01期

10 方紅;章權(quán)兵;韋穗;;基于非常稀疏隨機(jī)投影的圖像重建方法[J];計算機(jī)工程與應(yīng)用;2007年22期

相關(guān)博士學(xué)位論文 前1條

1 楊海蓉;壓縮傳感的測量矩陣與恢復(fù)算法研究[D];安徽大學(xué);2011年

本文編號：2519906