基于稀疏表示理论的图像去噪与融合算法研究

发布时间：2019-07-27 09:09

【摘要】：在视觉信息感知过程中,数据获取、压缩、传输与存储过程中各种干扰影响,以及拍摄设备自身局限与人为操作不当等诸多因素,造成的数据丢失、噪声引入、有限聚焦等图像质量问题,给人们对目标或场景的感知与理解带来了巨大的挑战。因此,利用信号处理、计算机视觉以及机器学习等相关理论技术,研究图像去噪与融合技术,对多模态或噪声图像进行分析与处理,进而更好地理解与感知目标对象,具有十分重要的理论和现实意义。从图像融合与去噪的难点问题出发,以稀疏表示理论为核心,充分利用自然图像内在结构相似性与变换基函数下的稀疏性,对图像去噪与融合方法存在的计算复杂度高,以及“伪影”、“阶梯”效应、失真与信息丢失等问题,展开稀疏表示框架下的去噪与融合算法的研究。论文的创新性研究工作主要有:(1)针对稀疏聚类图像去噪的参数非自适应性,以及去噪图像存在人为干扰现象等问题,提出一种基于结构聚类与稀疏表示的图像去噪模型。在稀疏聚类去噪模型的基础上,引入图像多形态成分分析,提出一种新的稀疏聚类去噪模型,从而更好地抑制噪声信息;通过欧式距离刻画相似块组,采用混合高斯模型学习与判别图像块组,形成更紧致的KSVD训练字典,进而更有效、完整地表征图像几何结构与细节信息;将图像结构与内容先验信息引入正则参数的构建,分析与挖掘变换系数分布特性,优化并确定去噪逼近模型,解决参数与模型的非自适应问题;通过对去噪模型的迭代数学求解,重建去噪后图像,提升图像的质量。(2)针对传统图像融合中边缘振荡、块效应、失真等问题,以及压缩感知框架下感知测量的不确定性与融合策略等问题,提出了一种基于压缩感知理论的多源图像融合的新思路。通过分析不同尺度下图像重建的精度,选择合适的分解尺度;根据多尺度分解系数自身的特性,引入改进的自适应脉冲耦合神经网络与图像质量评价因子,构建多融合策略,从而有效地提取源图像的结构与细节信息;通过改进的梯度下降算法优化确定性Toeplitz测量矩阵,解决测量矩阵高计算复杂度与低重建精度的问题,进而通过改进的压缩采样匹配追踪算法精确重建融合图像。(3)针对传统图像融合中块效应、失真等问题,以及图像分解框架下图像的完整、有效的描述与计算复杂度高等问题,提出了一种新颖的基于卡通-纹理稀疏分解的多聚焦图像融合算法。受启发于迭代重加权最小二乘法的求解思路,提出一种基于迭代重加权的卡通-纹理稀疏分解模型,解决图像卡通-纹理分解有效表征与高计算复杂度问题,从而更有效、完整地表示图像卡通分量与纹理分量;针对提出的分解模型,通过详细地理论证明与分析,从数学原理上推导稀疏解的收敛性与可行性;根据图像卡通-纹理成分特性,引入图像质量评价因子来构建多融合策略,有效提取源图像中显著有用信息,从而进一步提升融合图像质量。实验结果表明,本文提出的去噪与融合算法取得了较优异的效果。最后,在理论分析与实验验证的基础上,对论文的主要研究工作与取得成果做了总结与分析,并展望下一步的主要研究工作。
【图文】：

(a) (b) (c) (d) (e)图 3.3 不同算法的去噪效果。(a) 噪声图像（ 50n ）. (b) 基于 CSR 算法的去噪图像. (c)基于 WNNM 算法的去噪图像. (d) 基于 BM3D 算法的去噪图像. (e) 基于提出算法的去噪图像.Fig. 3.3 The denoised images via different methods. (a) Noisy image ( ). (b) The denoisedimages via CSR. (c) The denoised images via WNNM. (d) The denoised images via BM3D. (e) Thedenoised images via the proposed algorithm.从主观评价来说，鉴于 BM3D 算法，考虑自然图像内在结构自相似性，其去噪后图像具有较好的平滑效果，如图 3.3(d)所示。然而，稀疏聚类去噪方法（CSR）与加权核范数最小化去噪方法（WNNM），未充分考虑图像内在相似性与稀疏性的相互关联与影响，所获得去噪图像在边缘与纹理区域具有明显的边缘振荡效应，即“伪影”现象，如图 3.3(b)和图 3.3(c)所示。相比较而言，本文提出的基于稀疏表示与结构聚类的图像去噪方法所获得去噪图像，在边缘、轮廓与纹理区域均有较好的效果，如图 3.3(e)所示。特别的是，为了验证算法的稳定性与有效性，对含有不同的噪声方差的图像做了类似的实验，其结果均表明本文提出的去噪算法取

基于稀疏表示理论的图像去噪与融合算法研究

(a) (b)图 4.6 不同测量矩阵维数下重构性能与信噪比。(a) 不同测量矩阵维数下重构性能; (b) 不同测量矩阵维数下信噪比。Fig. 4.6 The recovery performance and signal noise ratio (SNR) by different sensing methods underdifferent measurements. (a) The recovery performance by different sensing methods under differentmeasurements; (b) The SNR by different methods under different sensing measurements;注意到，比较不同感知测量矩阵在相同的条件下的重构性能与信噪比，通过改进型梯度下降法优化构造的 Toeplitz 确定性测量矩阵在重构性能与信噪比方面比其他方法具有更好的结果，如图 4.6 所示。特别的是，从图 4.6 可以看出，本文优化的测量矩阵具有更好的稳定性与鲁棒性。因此，，CS 理论框架下的多源图像融合中测量矩阵的不确定性、重构性能低等问题，得到了有效地解决。4.3.3 稀疏变换基与重构算法从流程图 4.3 可以看出，CS 理论框架下的多源图像融合算法中，还包含稀疏表达与重构环节，下面将针对两个环节的具体工作做相应的介绍。
【学位授予单位】：重庆大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP391.41

【参考文献】