图像复原中的正则项设计研究

发布时间：2025-01-09 01:44

　　本文对图像复原中的正则项设计进行了研究,其核心思路为对图像先验进行分析和建模,主要内容可以分为两部分。在第一部分内容中,本文指出许多基于“分析”的正则项都利用了边缘稀疏作为图像先验。然而,在边缘区域和纹理区域,边缘稀疏并不存在。这就导致基于边缘稀疏的正则项在这些区域的性能并不理想。这些正则项在去噪的同时,也会有平滑图像中边缘和纹理的倾向。也就是说,它们保护边缘和纹理的能力十分有限。在本文的第一部分内容中,本文提出利用角点稀疏作为先验来构建正则项。直观来看,即使在边缘稀疏并不存在的边缘区域和纹理区域,角点稀疏性仍然存在。因此,基于角点稀疏的正则项能够取得比基于边缘稀疏的正则项更为优良的性能。进一步,利用角点稀疏性,本文提出了一个基于Noble角点检测函数的正则项。在实验部分中,该正则项的优良性能得到了充分的体现,这在边缘区域和纹理区域尤为明显。在第二部分内容中,本文指出基于高斯混合模型的正则项可以看做是引入了分类策略的基于稀疏表示的正则项。然而,基于稀疏表示的正则项仅具备捕捉图像块局部特征的能力。图像处理领域近期的进展已表明,利用了非局部相似性的群稀疏表示方法往往能取得比稀疏表示方法更优良...

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图2.1在点x1,x2,x3上结构张量的特征值与特征向量

本文在图2.1中展示了不同区域中结构张量的构张量均值去噪算法的启发，文献[17,19]提出了一种称为ureTensor,NLST)的特殊结构张量。非局部结构张量2,,,dNLwexyxy是滤波器参数，dγ(·)由下式定义：....

图3.11000张大小为256×384的图像的Noble角点检测函数值的统计曲线

图像局部结构信息，该正则具有很好的图像自适应能力测器都是图像处理领域中经典的边缘检测器[42]。疏性的验证和分析1000张大小为256×384的图像的Noble角点检测函数值的统计大小为256×384的噪声图像及带噪声的模糊图像的Noble角点

图3.21000张大小为256×384的噪声图像及带噪声的模糊图像的Noble角点检测函数值的统计曲线

图像局部结构信息，该正则具有很好的图像自适应能力测器都是图像处理领域中经典的边缘检测器[42]。疏性的验证和分析稀疏”被广泛地应用于正则项设计中，而在图像中角点往自然的问题是，“角点稀疏”是否同样能用于正则项设计呢先对角点稀疏性进行了验证，然后对如何将角点稀疏作为。性的验证大小为....

图3.3利用Noble角点检测函数对“House”图像及其对应的噪声图像和带噪声的模糊图像的角点检测结果

其形式如下：21212,Hmxxxxx(3-2)其中，是一可调节的参数。为了避免调节参数的麻烦，文献[43]提出了Noble角点检测函数。Noble角点检测函数的形式如下：....

本文编号：4024951