基于多元有限混合模型的图像复原研究

发布时间：2021-06-13 12:28

　　在这个数字化的时代,图像复原技术已然成为学术界、工业界探讨的热点问题。近年来,基于多元有限混合模型的图像去噪方法吸引了学者们的注意力。有限混合模型是一种介于非参数模型与参数模型之间的半参数模型,凭借强大的数学理论作为支撑具有更强大的泛化能力。它可以被看作是多个单一模型的加权线性叠加,理论上只要模型个数足够多就能逼近任意的分布,其中高斯混合模型被应用地最广泛。图像片对数似然期望（Expected Patch Log Likelihood,EPLL）算法把高斯混合分布作为图像片的先验构建去噪模型,该方法对于去除退化图像的噪声有着不俗的效果,但与此同时它依然有着一定的缺陷存在提高的空间。本文主要的研究工作有以下两部分:（1）针对原始EPLL去噪算法未考虑图像结构特征的问题,增加了一项边缘恢复正则项。原始的复原方法中去除噪声时未考虑图像的结构信息而过度平滑使得边缘也被模糊掉。将局部方差的大小作为图像分区的依据,将整张图像分为边缘区域及同质区域。通过复原图像与降质图像边缘区域局部方差的变化量衡量边缘恢复的程度,并以此构建边缘恢复正则项作为EPLL去噪模型的约束条件。实验结果表明与原始去噪方法相比... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

几种不同参数集的正态分布概率密度函数显然从图2.1可以看出，正态分布的均值决定了该分布的中心位置，方差决定

a b图 2.2 lena 图像及其像素灰度分布图图 2.2 a 为 lena 图原图，图 b 为其像素灰度分布直方图。显而易见，lena 灰度分布直方图具有多个波峰，单个的分布显然不足以精确地描绘出其分布，此时采用更具有鲁棒性的混合分布方能更准确地描绘出其分布。2.3.2 高斯混合模型简介高斯混合模型是最常被提及使用的一种有限混合模型，它可以被视为若干个高斯分布的线性组合，其中的每一个波峰代表一类高斯分布。它的概率密度函数可表示成： ( ) = ∑ π ( ) (2.5)其中， 代表混合成分的个数， 是第 类分布的混合系数， 与 分别为第 个成分的均值向量与协方差矩阵。且

a b图 2.2 lena 图像及其像素灰度分布图图 2.2 a 为 lena 图原图，图 b 为其像素灰度分布直方图。显而易见，lena 灰度分布直方图具有多个波峰，单个的分布显然不足以精确地描绘出其分布，此时采用更具有鲁棒性的混合分布方能更准确地描绘出其分布。2.3.2 高斯混合模型简介高斯混合模型是最常被提及使用的一种有限混合模型，它可以被视为若干个高斯分布的线性组合，其中的每一个波峰代表一类高斯分布。它的概率密度函数可表示成： ( ) = ∑ π ( ) (2.5)其中， 代表混合成分的个数， 是第 类分布的混合系数， 与 分别为第 个成分的均值向量与协方差矩阵。且

【参考文献】：
期刊论文
[1]基于自适应双边全变差的图像超分辨率重建[J]. 杨欣,周大可,费树岷.  计算机研究与发展. 2012(12)
[2]基于模糊灰度共生矩阵与隐马尔可夫模型的断口图像识别[J]. 李凌,黎明,鲁宇明.  中国图象图形学报. 2010(09)
[3]引入耦合梯度保真项的非线性扩散图像去噪方法[J]. 朱立新,王平安,夏德深.  计算机研究与发展. 2007(08)
[4]基于边缘恢复和伪像消除的正则化图像复原[J]. 吴显金,王润生.  电子与信息学报. 2006(04)



本文编号：3227506