基于先验模型的图像去噪研究

发布时间：2022-01-26 13:57

　　在如今信息化技术高度发展的时代,数字图像是人们日常生活中最常接触到的信息载体,与人们的日常生活息息相关。然而图像在获取（成像）和传输过程中不可避免地会受到噪声的污染,影响图像的质量,进而影响后续的图像应用。因此图像去噪是图像处理最基础的问题之一,也是计算机视觉最底层的研究之一,有着重要的现实意义。由于图像去噪是一个病态的逆问题,其解存在无穷多个,所以结合图像的先验信息,用于构造合适的正则项来约束缩小解空间,是解决这个病态逆问题的重要途径之一。根据获取和利用先验的不同,现阶段的图像去噪算法可以分为三类:基于稀疏性先验的图像去噪方法;基于低秩先验的图像去噪方法;基于先验学习的图像去噪方法。本论文针对其中存在的问题,主要做了以下几方面的工作:（1）针对现有基于稀疏表示的方法依赖参数调试的问题而深入研究非参数模型,发现其缺乏合理利用图像结构先验的方法而导致其去噪性能不够优异。为此,首先提出了非局部结构化贝塔过程,可以较为方便的引入图像结构先验信息。在这基础上提出了基于非局部结构化贝塔过程的非参数贝叶斯稀疏模型,并将该模型应用于图像去噪问题。实验验证了该方法不需要预先调试大量参数,也不依赖于噪声... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：105 页

【学位级别】：博士

【部分图文】：

Lena图像经过小波变换后的不同尺度系数展示图

基于先验模型的图像去噪研究9图1.2本文组织结构第二章图像去噪理论基础首先简介了图像中噪声的种类并对每一类噪声都介绍了其成因，接着对图像去噪领域常用的数学基础知识进行简单的定义和介绍，再介绍了常用的噪声观测模型，最后介绍了图像去噪问题常用的评价指标，分为主观指标和客观指标。第三章基于非参数稀疏贝叶斯字典学习的图像去噪方法首先介绍了基于稀疏表示的图像去噪问题的相关经典工作，再介绍了基于贝塔过程的非参数贝叶斯表示方法，接着重点介绍了本章将结构先验引入贝塔过程而提出的非局部结构化贝塔过程以及在这个基础上的非参数贝叶斯稀疏表示方法，随后将其应用于图像去噪问题。最后展示了在经典测试图像上的实验结果，验证了本章方法的有效性。第四章基于局部结构保持的低秩近似图像去噪方法首先介绍了低秩近似的定义，然后回顾了经典的基于低秩近似的方法，指出其问题所在。再介绍了总广义变差的定义，随后将总广义变差引入低秩近似的方法用来解决过度平滑的问题。最后在多个数据集上的实验结果验证了本章方法具有优秀的局部结构保持能力，去噪能力可达到国际先进水平。第五章基于鲁棒权重估计的图像混合噪声去除方法首先介绍了混合噪声的观测模型，接着介绍了混合噪声去除领域经典的方法，然后针对目前权重模型存在的问题，提出基于鲁棒性权重估计的混合噪声去除方法，随后详细介绍了模型的求解过程和参数设计。最后给出了实验结果和分析，验证了本章方法的优越性。

武汉大学博士学位论文14and-PepperImpulseNoise，简称SPIN），像素点会呈现出最亮（白）或最暗（黑）的情况，就像撒在食物上的椒盐，故此得名。如图2.1中（c）图2.1受到不同噪声影响的Lena图像。（a）干净的Lena图像；（b）受到高斯白噪声影响的图像；（c）受到椒盐噪声影响的图像；（d）受到随机值脉冲噪声影响的图像；（e）受到柏松噪声影响的图像；（f）受到量化噪声影响的图像所示为受到椒盐噪声影响的Lena图像；（b）随机值脉冲噪声（RandomValuedImpulseNoise，简称RVIN），受这种噪声影响的像素点取值会在最小值和最大值之间均匀随机取值，故此得名。如图2.1中（d）所示为受到随机值脉冲噪声影响的Lena图像。（3）柏松噪声（PoissonNoise）：它主要是由于成像系统中统计性的量子涨落引起（Bovik，2010）。这种噪声一般服从柏松分布（PoissonDistribution），在大部多数情况下，它都可以被近似看作是高斯白噪声。如图2.1中（e）所示为受到柏松噪声影响的随机值脉冲噪声的Lena图像。（4）量化噪声（QuantizationNoise）：它一般是在成像传感器的量化过程中产生（HealeyandKondepudy，1994）。这种噪声一般被认为近似服从均匀分布（UniformDistribution）。如图2.1中（f）所示为受到量化噪声影响的Lena图像。除了上述几种噪声之外，还有比较著名的相干斑噪声（SpeckleNoise）、瑞利噪声（RayleighNoise）、伽马噪声（GammaNoise）等其他类型噪声，但是它们主要存在


本文编号：3610610