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。由于設備、時間等限制因素,在無法重新獲取原始清晰圖像的情況下,如何應用圖像處理算法對所獲取低質量圖像進行干擾修復以還原出潛在高質量圖像,已經(jīng)成為研究者們極為關注的問題。圖像修復技術通常利用低質量圖像及其低質形成原因等信息,即其也稱為低質量圖像的先驗條件,恢復或重建出消除噪聲、移除遮擋或補全丟失像素的清晰圖像,從而提高圖像質量,使其能夠應用于后續(xù)識別分類、語義理解等場景中。針對小樣本、單樣本圖像數(shù)據(jù)的退化過程、對受干擾圖像進行本質屬性挖掘與增強,有利于特定的數(shù)據(jù)重構任務。針對單幅圖像的修復任務,挖掘并增強圖像數(shù)據(jù)所體現(xiàn)的本質屬性,結合圖像的退化過程等先驗正則項約束,對于探究小樣本圖像數(shù)據(jù)的修復任務具有重要研究意義。本文所做的工作如下:1.針對小樣本含噪圖像提出一種迭代重加權組稀疏約束重構算法,面對現(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,受學習型算法的啟發(fā),通過設立不同權值將異常樣本分離,并同時對重構誤差和樣本特征分別設定距離權值和特征權值,以優(yōu)化系數(shù)的求解問題,... 

【文章來源】：浙江工業(yè)大學浙江省

【文章頁數(shù)】：130 頁

【學位級別】：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 圖像質量退化過程及修復形式
        1.2.1 圖像去噪問題
        1.2.2 圖像修補問題
        1.2.3 圖像去模糊問題
        1.2.4 圖像質量評價標準
    1.3 本文主要研究內(nèi)容
    1.4 本文的組織結構
第二章 圖像本質屬性分析
    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 轉置性
    2.6 本章小結
第三章 基于迭代重加權約束的組稀疏表示重構算法
    3.1 引言
    3.2 通用回歸分析框架
        3.2.1 線性回歸型重構模型
        3.2.2 加權回歸重構模型
        3.2.3 魯棒回歸重構模型
    3.3 迭代重約束組稀疏表示
        3.3.1 自適應特征權值學習
        3.3.2 自適應距離權值學習
    3.4 迭代重約束組稀疏最小化求解算法
    3.5 IRGSC的收斂性和算法復雜度分析
        3.5.1 IRGSC的收斂性分析
        3.5.2 算法復雜度分析
    3.6 實驗分析
        3.6.1 實驗設置
        3.6.2 無遮擋情況下圖像重構
        3.6.3 遮擋情況下的人臉重構分類
    3.7 本章小結
第四章 基于圖像組訓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 圖像塊轉置學習
    4.4 圖像塊去噪去模糊
    4.5 基于圖像組學習及非凸約束的圖像去噪去模糊算法
        4.5.1 模型構建
        4.5.2 稀疏求解過程
    4.6 實驗分析
    4.7 本章小結
第五章 基于稀疏轉置和加權奇異值最小化的圖像修復算法
    5.1 相關研究現(xiàn)狀
    5.2 圖像域修復算法
    5.3 轉置域修復算法
    5.4 稀疏轉置和加權奇異值最小化的圖像修復算法
    5.5 所提算法的高效求解模型
    5.6 實驗結果展示
    5.7 本章小結
第六章 基于增強低秩及全差約束的彩色圖像多通道修補算法
    6.1 相關研究現(xiàn)狀
    6.2 彩色圖像修補研究現(xiàn)狀
        6.2.1 多通道修補
        6.2.2 屬性估計
    6.3 所提多通道聯(lián)合算法
    6.4 優(yōu)化算法
        6.4.1 基礎推論
        6.4.2 Moreau近似微分凸優(yōu)化算法
        6.4.3 計算復雜度分析
    6.5 實驗驗證
        6.5.1 劃痕及文本移除
        6.5.2 隨機丟失像素修補
        6.5.3 混合噪聲移除
        6.5.4 算法時間復雜度對比
    6.6 本章小結
第七章 結論與展望
    7.1 結論
    7.2 展望
參考文獻
致謝
作者簡介
    1 作者簡歷
    2 攻讀博士/碩士學位期間發(fā)表的學術論文
    3 發(fā)明專利
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于小波域的深度殘差網(wǎng)絡圖像超分辨率算法[J]. 段立娟,武春麗,恩擎,喬元華,張韻東,陳軍成.  軟件學報. 2019(04)
[2]深度學習圖像修復方法綜述[J]. 強振平,何麗波,陳旭,徐丹.  中國圖象圖形學報. 2019(03)
[3]基于高斯權重衰減的迭代優(yōu)化去霧算法[J]. 楊燕,陳高科,周杰.  自動化學報. 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.  模式識別與人工智能. 2018(09)
[5]面向不均衡醫(yī)學數(shù)據(jù)集的疾病預測模型研究[J]. 陳旭,劉鵬鶴,孫毓忠,沈曦,張磊,王曉青,孫曉平,程偉.  計算機學報. 2019(03)
[6]融合關聯(lián)矩陣自學習和顯式秩約束的數(shù)據(jù)表示分簇算法[J]. 鄭建煒,鞠振宇,朱文博,王萬良.  計算機學報. 2019(03)
[7]基于自適應塊組割先驗的噪聲圖像超分辨率重建[J]. 李滔,何小海,卿粼波,滕奇志.  自動化學報. 2017(05)
[8]融合語義知識的深度表達學習及在視覺理解中的應用[J]. 張瑞茂,彭杰鋒,吳恙,林倞.  計算機研究與發(fā)展. 2017(06)
[9]基于彈性特征編組的圖像配準方法[J]. 高峰.  計算機學報. 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.  計算機研究與發(fā)展. 2016(12)



本文編號：3174771