數(shù)字圖像是傳遞信息的重要載體,但是在采集或傳遞過程中易受到噪聲、遮擋或像素丟失等多種形式的干擾。由于設(shè)備、時(shí)間等限制因素,在無法重新獲取原始清晰圖像的情況下,如何應(yīng)用圖像處理算法對(duì)所獲取低質(zhì)量圖像進(jìn)行干擾修復(fù)以還原出潛在高質(zhì)量圖像,已經(jīng)成為研究者們極為關(guān)注的問題。圖像修復(fù)技術(shù)通常利用低質(zhì)量圖像及其低質(zhì)形成原因等信息,即其也稱為低質(zhì)量圖像的先驗(yàn)條件,恢復(fù)或重建出消除噪聲、移除遮擋或補(bǔ)全丟失像素的清晰圖像,從而提高圖像質(zhì)量,使其能夠應(yīng)用于后續(xù)識(shí)別分類、語義理解等場景中。針對(duì)小樣本、單樣本圖像數(shù)據(jù)的退化過程、對(duì)受干擾圖像進(jìn)行本質(zhì)屬性挖掘與增強(qiáng),有利于特定的數(shù)據(jù)重構(gòu)任務(wù)。針對(duì)單幅圖像的修復(fù)任務(wù),挖掘并增強(qiáng)圖像數(shù)據(jù)所體現(xiàn)的本質(zhì)屬性,結(jié)合圖像的退化過程等先驗(yàn)正則項(xiàng)約束,對(duì)于探究小樣本圖像數(shù)據(jù)的修復(fù)任務(wù)具有重要研究意義。本文所做的工作如下:1.針對(duì)小樣本含噪圖像提出一種迭代重加權(quán)組稀疏約束重構(gòu)算法,面對(duì)現(xiàn)有回歸重建算法無法區(qū)分出樣本重要程度并且無法移除樣本中無效特征等問題,受學(xué)習(xí)型算法的啟發(fā),通過設(shè)立不同權(quán)值將異常樣本分離,并同時(shí)對(duì)重構(gòu)誤差和樣本特征分別設(shè)定距離權(quán)值和特征權(quán)值,以優(yōu)化系數(shù)的求解問題,... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：130 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 圖像質(zhì)量退化過程及修復(fù)形式
        1.2.1 圖像去噪問題
        1.2.2 圖像修補(bǔ)問題
        1.2.3 圖像去模糊問題
        1.2.4 圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)
    1.3 本文主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
第二章 圖像本質(zhì)屬性分析
    2.1 國內(nèi)外研究現(xiàn)狀
    2.2 稀疏性
    2.3 低秩性
    2.4 光滑性
    2.5 轉(zhuǎn)置性
    2.6 本章小結(jié)
第三章 基于迭代重加權(quán)約束的組稀疏表示重構(gòu)算法
    3.1 引言
    3.2 通用回歸分析框架
        3.2.1 線性回歸型重構(gòu)模型
        3.2.2 加權(quán)回歸重構(gòu)模型
        3.2.3 魯棒回歸重構(gòu)模型
    3.3 迭代重約束組稀疏表示
        3.3.1 自適應(yīng)特征權(quán)值學(xué)習(xí)
        3.3.2 自適應(yīng)距離權(quán)值學(xué)習(xí)
    3.4 迭代重約束組稀疏最小化求解算法
    3.5 IRGSC的收斂性和算法復(fù)雜度分析
        3.5.1 IRGSC的收斂性分析
        3.5.2 算法復(fù)雜度分析
    3.6 實(shí)驗(yàn)分析
        3.6.1 實(shí)驗(yàn)設(shè)置
        3.6.2 無遮擋情況下圖像重構(gòu)
        3.6.3 遮擋情況下的人臉重構(gòu)分類
    3.7 本章小結(jié)
第四章 基于圖像組訓(xùn)練及非凸約束的去噪去模糊算法
    4.1 研究背景與意義
    4.2 圖像塊匹配操作
    4.3 圖像塊轉(zhuǎn)置學(xué)習(xí)
    4.4 圖像塊去噪去模糊
    4.5 基于圖像組學(xué)習(xí)及非凸約束的圖像去噪去模糊算法
        4.5.1 模型構(gòu)建
        4.5.2 稀疏求解過程
    4.6 實(shí)驗(yàn)分析
    4.7 本章小結(jié)
第五章 基于稀疏轉(zhuǎn)置和加權(quán)奇異值最小化的圖像修復(fù)算法
    5.1 相關(guān)研究現(xiàn)狀
    5.2 圖像域修復(fù)算法
    5.3 轉(zhuǎn)置域修復(fù)算法
    5.4 稀疏轉(zhuǎn)置和加權(quán)奇異值最小化的圖像修復(fù)算法
    5.5 所提算法的高效求解模型
    5.6 實(shí)驗(yàn)結(jié)果展示
    5.7 本章小結(jié)
第六章 基于增強(qiáng)低秩及全差約束的彩色圖像多通道修補(bǔ)算法
    6.1 相關(guān)研究現(xiàn)狀
    6.2 彩色圖像修補(bǔ)研究現(xiàn)狀
        6.2.1 多通道修補(bǔ)
        6.2.2 屬性估計(jì)
    6.3 所提多通道聯(lián)合算法
    6.4 優(yōu)化算法
        6.4.1 基礎(chǔ)推論
        6.4.2 Moreau近似微分凸優(yōu)化算法
        6.4.3 計(jì)算復(fù)雜度分析
    6.5 實(shí)驗(yàn)驗(yàn)證
        6.5.1 劃痕及文本移除
        6.5.2 隨機(jī)丟失像素修補(bǔ)
        6.5.3 混合噪聲移除
        6.5.4 算法時(shí)間復(fù)雜度對(duì)比
    6.6 本章小結(jié)
第七章 結(jié)論與展望
    7.1 結(jié)論
    7.2 展望
參考文獻(xiàn)
致謝
作者簡介
    1 作者簡歷
    2 攻讀博士/碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
    3 發(fā)明專利
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于小波域的深度殘差網(wǎng)絡(luò)圖像超分辨率算法[J]. 段立娟,武春麗,恩擎,喬元華,張韻東,陳軍成.  軟件學(xué)報(bào). 2019(04)
[2]深度學(xué)習(xí)圖像修復(fù)方法綜述[J]. 強(qiáng)振平,何麗波,陳旭,徐丹.  中國圖象圖形學(xué)報(bào). 2019(03)
[3]基于高斯權(quán)重衰減的迭代優(yōu)化去霧算法[J]. 楊燕,陳高科,周杰.  自動(dòng)化學(xué)報(bào). 2019(04)
[4]混合l2/l1/2范數(shù)的局部組稀疏表示方法[J]. 李小寶,郭立君,張榮,洪金華.  模式識(shí)別與人工智能. 2018(09)
[5]面向不均衡醫(yī)學(xué)數(shù)據(jù)集的疾病預(yù)測模型研究[J]. 陳旭,劉鵬鶴,孫毓忠,沈曦,張磊,王曉青,孫曉平,程偉.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[6]融合關(guān)聯(lián)矩陣自學(xué)習(xí)和顯式秩約束的數(shù)據(jù)表示分簇算法[J]. 鄭建煒,鞠振宇,朱文博,王萬良.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[7]基于自適應(yīng)塊組割先驗(yàn)的噪聲圖像超分辨率重建[J]. 李滔,何小海,卿粼波,滕奇志.  自動(dòng)化學(xué)報(bào). 2017(05)
[8]融合語義知識(shí)的深度表達(dá)學(xué)習(xí)及在視覺理解中的應(yīng)用[J]. 張瑞茂,彭杰鋒,吳恙,林倞.  計(jì)算機(jī)研究與發(fā)展. 2017(06)
[9]基于彈性特征編組的圖像配準(zhǔn)方法[J]. 高峰.  計(jì)算機(jī)學(xué)報(bào). 2018(11)
[10]基于廣義高斯分布的貝葉斯概率矩陣分解方法[J]. 燕彩蓉,張青龍,趙雪,黃永鋒.  計(jì)算機(jī)研究與發(fā)展. 2016(12)



本文編號(hào)：3174771