收藏本站
《中国科学院研究生院(西安光学精密机械研究所)》 2014年
收藏 | 手机打开
二维码
手机客户端打开本文

基于稀疏表示的图像去噪和超分辨率重建研究

李珅  
【摘要】:在计算机和数字技术迅速发展的今天,数字图像已成为存储和传递视觉信息的重要方式。就数字图像而言,空间分辨率和图像信噪比是衡量数字图像质量的重要标准。在实际应用中,用户总是希望能够得到干净的、分辨率高的图像。然而在实际成像过程中,由于受到采样模糊、运动模糊、成像环境和噪声等因素的影响,人们往往难以获得满意的高分辨率图像,这也给后续的图像处理和分析带来了诸多困难,影响了人们对客观世界的正确理解和认识。因此,如何基于现有低质量图像恢复或重构出高分辨率图像,改善图像质量,成为图像处理领域具有挑战性的课题和相关图像应用的迫切需求。 近年来,稀疏表示理论备受关注,并已成功地应用于图像去噪和图像超分辨率重构领域中。通过选用或设计合适的过完备字典对图像进行稀疏表示,可以简洁地表达图像,同时有效地提取图像本质的特征。本文以信号的稀疏表示理论为研究主线,基于此对图像去噪、单幅图像超分辨率重建技术中的关键问题进行了相关研究,主要研究内容与贡献有: (1)阐述了图像的稀疏表示问题,包括稀疏建模、稀疏度测量、信号非相干性和稀疏表示问题的优化算法等。简述了基于稀疏表示理论的低秩矩阵稀疏分解问题和字典学习训练问题的相关算法。 (2)提出基于低秩矩阵稀疏分解的图像去噪方法,将分解得到的图像低秩部分作为预去噪图像,同时融合对图像稀疏部分进行中值滤波得到的高频纹理信息,最终获得去噪图像。该方法在去除低密度椒盐噪声的同时,有效地保留了图像的高频纹理信息,并为图像去噪算法提供了新的思路,PSNR值较一般去噪算法提高了约3~5dB。 (3)提出对含噪图像进行分区预处理的去混合噪声的P_BM3D方法,解决了BM3D去噪方法在去除椒盐噪声方面的区域不适性。P_BM3D方法通过对含噪图像的深、浅区域划分,在不损失图像有效信息的前提下,去除了深色区域的“盐”噪声和浅色区域的“胡椒”噪声,使得后续BM3D去噪算法能够有效地开展。该方法在混合噪声的处理上呈现了优良的去噪性能,PSNR值较一般去噪算法提高了4~7dB。 (4)提出一种将低秩矩阵稀疏分解用于自适应字典去噪的后处理方法,解决了自适应字典学习去噪算法无法去除椒盐噪声的问题,提高了自适应字典学习算法在去噪方面的适应性。该方法针对自适应字典学习去噪算法在去除混合噪声时将椒盐噪声作为图像细节保留的问题,对自适应字典学习方法去噪后的图像进行低秩稀疏分解以滤除椒盐噪声,去噪后PSNR值较原方法提高了1~10dB。 (5)提出一种基于样本块相似性判断的样本集构建方法,针对单幅图像字典学习超分辨率重构算法存在样本块集构建的低效问题,通过设置阈值,计算预增样本块与已有样本块之间的欧氏距离,保证新增样本块的结构异性,提高了整个样本块集的有效性和多样性。在预设样本块数目相同的情况下,字典训练时间降低为原方法的50%左右,改善了图像的重构质量。 (6)提出基于低秩稀疏分解的改进字典学习超分辨率重构算法,解决了字典训练效率低下和重构图像边缘存在小块效应的问题。算法使用IALM方法分解整幅样本图像得到图像低秩部分和图像稀疏部分,对两部分进行样本块划分构造高低样本块集合;采用改进的K-SVD算法用于字典更新,同时结合OMP算法和系数重用CoefROMP算法进行稀疏系数的求解和图像的重构。实验结果表明该方法有效地解决了重构图像的边缘块问题,在提高字典的训练效率的同时,改善了图像的视觉效果。 综上所述,本文以信号的稀疏表示为理论基础,在图像去噪和图像超分辨率重建两个方面进行了算法的相关研究和创新。提出的算法有效地克服了现有方法的不足,在低质图像恢复方面增强了相关算法的适用性,同时为数字图像处理相关方向的研究拓展了新的思路。
【学位授予单位】:

知网文化
【相似文献】
中国期刊全文数据库 前20条
1 郑轶;蔡体健;;稀疏表示的人脸识别及其优化算法[J];华东交通大学学报;2012年01期
2 段菲;章毓晋;;一种面向稀疏表示的最大间隔字典学习算法[J];清华大学学报(自然科学版);2012年04期
3 李仲生;李仁发;蔡则苏;赵乘麟;;稀疏表示下的非监督显著对象提取[J];电子学报;2012年06期
4 段菲;章毓晋;;基于多尺度稀疏表示的场景分类[J];计算机应用研究;2012年10期
5 胡正平;李静;白洋;;基于样本-扩展差分模板的联合双稀疏表示人脸识别[J];信号处理;2012年12期
6 姜芳芳;;稀疏表示理论在提高数字图像质量中的应用[J];科技创新导报;2012年36期
7 马莉娜;;增强的两阶段测试样本稀疏表示方法[J];福建电脑;2013年07期
8 尹学忠;樊甫华;;基于字典学习的超宽带信号稀疏表示与降噪方法[J];计算机应用研究;2014年06期
9 张佳宇;彭力;;基于联合动态稀疏表示方法的多图像人脸识别算法[J];江南大学学报(自然科学版);2014年03期
10 陈才扣;喻以明;史俊;;一种快速的基于稀疏表示分类器[J];南京大学学报(自然科学版);2012年01期
11 陈垚佳;张永平;;图像过完备稀疏表示理论及应用综述[J];电视技术;2012年17期
12 查长军;孙南;张成;韦穗;;基于稀疏表示的特定目标识别[J];吉林大学学报(工学版);2013年01期
13 张涛;梁德群;王新年;;基于稀疏表示的图像模糊度评价方法[J];计算机工程;2013年04期
14 朱启兵;杨宝;黄敏;;基于核映射稀疏表示分类的轴承故障诊断[J];振动与冲击;2013年11期
15 王国权;张扬;李彦锋;王丽芬;马晓梅;;一种基于稀疏表示的图像去噪算法[J];工业仪表与自动化装置;2013年05期
16 丁昕苗;李兵;胡卫明;郭文;王振翀;;基于多视角融合稀疏表示的恐怖视频识别[J];电子学报;2014年02期
17 张石清;赵小明;楼宋江;闯跃龙;郭文平;陈盈;;一种局部敏感的核稀疏表示分类算法[J];光电子.激光;2014年09期
18 范少萍;郑春厚;王召兵;;基于元样本稀疏表示分类器的文本资源分类[J];图书情报工作;2011年16期
19 翟懿奎;甘俊英;徐颖;曾军英;;快速稀疏表示指背关节纹识别及其并行实现[J];吉林大学学报(工学版);2012年S1期
20 段菲;章毓晋;;有监督子空间建模和稀疏表示的场景分类[J];中国图象图形学报;2012年11期
中国重要会议论文全文数据库 前3条
1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集(上册)[C];2013年
2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集(第五分册)[C];2013年
3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年
中国博士学位论文全文数据库 前10条
1 李小薪;稀疏表示的分段匹配寻踪方法[D];华南理工大学;2009年
2 何艳敏;稀疏表示在图像压缩和去噪中的应用研究[D];电子科技大学;2011年
3 宋相法;基于稀疏表示和集成学习的若干分类问题研究[D];西安电子科技大学;2013年
4 匡金骏;基于稀疏表示的图像分类与目标跟踪研究[D];重庆大学;2013年
5 邓承志;图像稀疏表示理论及其应用研究[D];华中科技大学;2008年
6 路锦正;基于稀疏表示的图像超分辨率重构技术研究[D];电子科技大学;2013年
7 魏丹;基于稀疏表示和特征选择的人脸识别方法研究[D];湖南大学;2012年
8 尹海涛;面向图像融合和图像复原的稀疏表示研究[D];湖南大学;2012年
9 谢成军;图像稀疏表示模型在可视化追踪中的应用研究[D];合肥工业大学;2014年
10 孙玉宝;图像稀疏表示模型及其在图像处理反问题中的应用[D];南京理工大学;2010年
中国硕士学位论文全文数据库 前10条
1 张琨雨;在线字典训练及加权差异性稀疏表示的研究[D];大连理工大学;2011年
2 王勇;基于稀疏表示的人脸识别研究[D];五邑大学;2013年
3 李义真;基于词包与稀疏表示的场景分类[D];华南理工大学;2013年
4 孙丽花;基于稀疏表示的人脸识别方法研究[D];河南科技大学;2013年
5 陈天娇;基于分组稀疏和权重稀疏表示的人脸识别研究[D];安徽大学;2014年
6 刘自成;基于稀疏表示的雷达目标角度与距离估计[D];西安电子科技大学;2014年
7 李立;基于稀疏表示的人脸图像识别方法研究[D];南京理工大学;2012年
8 满江月;基于稀疏表示的代价敏感性人脸识别算法研究[D];南京邮电大学;2012年
9 赵广銮;稀疏表示在图像识别中的应用[D];北京邮电大学;2013年
10 罗燕龙;基于局部稀疏表示模型的在线字典学习跟踪算法研究[D];厦门大学;2014年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978