本质属性增强及其混合约束的图像修复算法研究
发布时间：2021-05-08 05:34
数字图像是传递信息的重要载体,但是在采集或传递过程中易受到噪声、遮挡或像素丢失等多种形式的干扰。由于设备、时间等限制因素,在无法重新获取原始清晰图像的情况下,如何应用图像处理算法对所获取低质量图像进行干扰修复以还原出潜在高质量图像,已经成为研究者们极为关注的问题。图像修复技术通常利用低质量图像及其低质形成原因等信息,即其也称为低质量图像的先验条件,恢复或重建出消除噪声、移除遮挡或补全丢失像素的清晰图像,从而提高图像质量,使其能够应用于后续识别分类、语义理解等场景中。针对小样本、单样本图像数据的退化过程、对受干扰图像进行本质属性挖掘与增强,有利于特定的数据重构任务。针对单幅图像的修复任务,挖掘并增强图像数据所体现的本质属性,结合图像的退化过程等先验正则项约束,对于探究小样本图像数据的修复任务具有重要研究意义。本文所做的工作如下:1.针对小样本含噪图像提出一种迭代重加权组稀疏约束重构算法,面对现有回归重建算法无法区分出样本重要程度并且无法移除样本中无效特征等问题,受学习型算法的启发,通过设立不同权值将异常样本分离,并同时对重构误差和样本特征分别设定距离权值和特征权值,以优化系数的求解问题,...
【文章来源】：浙江工业大学浙江省
【文章页数】：130 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 图像质量退化过程及修复形式
1.2.1 图像去噪问题
1.2.2 图像修补问题
1.2.3 图像去模糊问题
1.2.4 图像质量评价标准
1.3 本文主要研究内容
1.4 本文的组织结构
第二章 图像本质属性分析
2.1 国内外研究现状
2.2 稀疏性
2.3 低秩性
2.4 光滑性
2.5 转置性
2.6 本章小结
第三章 基于迭代重加权约束的组稀疏表示重构算法
3.1 引言
3.2 通用回归分析框架
3.2.1 线性回归型重构模型
3.2.2 加权回归重构模型
3.2.3 鲁棒回归重构模型
3.3 迭代重约束组稀疏表示
3.3.1 自适应特征权值学习
3.3.2 自适应距离权值学习
3.4 迭代重约束组稀疏最小化求解算法
3.5 IRGSC的收敛性和算法复杂度分析
3.5.1 IRGSC的收敛性分析
3.5.2 算法复杂度分析
3.6 实验分析
3.6.1 实验设置
3.6.2 无遮挡情况下图像重构
3.6.3 遮挡情况下的人脸重构分类
3.7 本章小结
第四章 基于图像组训练及非凸约束的去噪去模糊算法
4.1 研究背景与意义
4.2 图像块匹配操作
4.3 图像块转置学习
4.4 图像块去噪去模糊
4.5 基于图像组学习及非凸约束的图像去噪去模糊算法
4.5.1 模型构建
4.5.2 稀疏求解过程
4.6 实验分析
4.7 本章小结
第五章 基于稀疏转置和加权奇异值最小化的图像修复算法
5.1 相关研究现状
5.2 图像域修复算法
5.3 转置域修复算法
5.4 稀疏转置和加权奇异值最小化的图像修复算法
5.5 所提算法的高效求解模型
5.6 实验结果展示
5.7 本章小结
第六章 基于增强低秩及全差约束的彩色图像多通道修补算法
6.1 相关研究现状
6.2 彩色图像修补研究现状
6.2.1 多通道修补
6.2.2 属性估计
6.3 所提多通道联合算法
6.4 优化算法
6.4.1 基础推论
6.4.2 Moreau近似微分凸优化算法
6.4.3 计算复杂度分析
6.5 实验验证
6.5.1 划痕及文本移除
6.5.2 随机丢失像素修补
6.5.3 混合噪声移除
6.5.4 算法时间复杂度对比
6.6 本章小结
第七章 结论与展望
7.1 结论
7.2 展望
参考文献
致谢
作者简介
1 作者简历
2 攻读博士/硕士学位期间发表的学术论文
3 发明专利
学位论文数据集
【参考文献】：
期刊论文
[1]基于小波域的深度残差网络图像超分辨率算法[J]. 段立娟,武春丽,恩擎,乔元华,张韵东,陈军成. 软件学报. 2019(04)
[2]深度学习图像修复方法综述[J]. 强振平,何丽波,陈旭,徐丹. 中国图象图形学报. 2019(03)
[3]基于高斯权重衰减的迭代优化去雾算法[J]. 杨燕,陈高科,周杰. 自动化学报. 2019(04)
[4]混合l2/l1/2范数的局部组稀疏表示方法[J]. 李小宝,郭立君,张荣,洪金华. 模式识别与人工智能. 2018(09)
[5]面向不均衡医学数据集的疾病预测模型研究[J]. 陈旭,刘鹏鹤,孙毓忠,沈曦,张磊,王晓青,孙晓平,程伟. 计算机学报. 2019(03)
[6]融合关联矩阵自学习和显式秩约束的数据表示分簇算法[J]. 郑建炜,鞠振宇,朱文博,王万良. 计算机学报. 2019(03)
[7]基于自适应块组割先验的噪声图像超分辨率重建[J]. 李滔,何小海,卿粼波,滕奇志. 自动化学报. 2017(05)
[8]融合语义知识的深度表达学习及在视觉理解中的应用[J]. 张瑞茂,彭杰锋,吴恙,林倞. 计算机研究与发展. 2017(06)
[9]基于弹性特征编组的图像配准方法[J]. 高峰. 计算机学报. 2018(11)
[10]基于广义高斯分布的贝叶斯概率矩阵分解方法[J]. 燕彩蓉,张青龙,赵雪,黄永锋. 计算机研究与发展. 2016(12)
本文编号：3174771
【文章来源】：浙江工业大学浙江省
【文章页数】：130 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 图像质量退化过程及修复形式
1.2.1 图像去噪问题
1.2.2 图像修补问题
1.2.3 图像去模糊问题
1.2.4 图像质量评价标准
1.3 本文主要研究内容
1.4 本文的组织结构
第二章 图像本质属性分析
2.1 国内外研究现状
2.2 稀疏性
2.3 低秩性
2.4 光滑性
2.5 转置性
2.6 本章小结
第三章 基于迭代重加权约束的组稀疏表示重构算法
3.1 引言
3.2 通用回归分析框架
3.2.1 线性回归型重构模型
3.2.2 加权回归重构模型
3.2.3 鲁棒回归重构模型
3.3 迭代重约束组稀疏表示
3.3.1 自适应特征权值学习
3.3.2 自适应距离权值学习
3.4 迭代重约束组稀疏最小化求解算法
3.5 IRGSC的收敛性和算法复杂度分析
3.5.1 IRGSC的收敛性分析
3.5.2 算法复杂度分析
3.6 实验分析
3.6.1 实验设置
3.6.2 无遮挡情况下图像重构
3.6.3 遮挡情况下的人脸重构分类
3.7 本章小结
第四章 基于图像组训练及非凸约束的去噪去模糊算法
4.1 研究背景与意义
4.2 图像块匹配操作
4.3 图像块转置学习
4.4 图像块去噪去模糊
4.5 基于图像组学习及非凸约束的图像去噪去模糊算法
4.5.1 模型构建
4.5.2 稀疏求解过程
4.6 实验分析
4.7 本章小结
第五章 基于稀疏转置和加权奇异值最小化的图像修复算法
5.1 相关研究现状
5.2 图像域修复算法
5.3 转置域修复算法
5.4 稀疏转置和加权奇异值最小化的图像修复算法
5.5 所提算法的高效求解模型
5.6 实验结果展示
5.7 本章小结
第六章 基于增强低秩及全差约束的彩色图像多通道修补算法
6.1 相关研究现状
6.2 彩色图像修补研究现状
6.2.1 多通道修补
6.2.2 属性估计
6.3 所提多通道联合算法
6.4 优化算法
6.4.1 基础推论
6.4.2 Moreau近似微分凸优化算法
6.4.3 计算复杂度分析
6.5 实验验证
6.5.1 划痕及文本移除
6.5.2 随机丢失像素修补
6.5.3 混合噪声移除
6.5.4 算法时间复杂度对比
6.6 本章小结
第七章 结论与展望
7.1 结论
7.2 展望
参考文献
致谢
作者简介
1 作者简历
2 攻读博士/硕士学位期间发表的学术论文
3 发明专利
学位论文数据集
【参考文献】：
期刊论文
[1]基于小波域的深度残差网络图像超分辨率算法[J]. 段立娟,武春丽,恩擎,乔元华,张韵东,陈军成. 软件学报. 2019(04)
[2]深度学习图像修复方法综述[J]. 强振平,何丽波,陈旭,徐丹. 中国图象图形学报. 2019(03)
[3]基于高斯权重衰减的迭代优化去雾算法[J]. 杨燕,陈高科,周杰. 自动化学报. 2019(04)
[4]混合l2/l1/2范数的局部组稀疏表示方法[J]. 李小宝,郭立君,张荣,洪金华. 模式识别与人工智能. 2018(09)
[5]面向不均衡医学数据集的疾病预测模型研究[J]. 陈旭,刘鹏鹤,孙毓忠,沈曦,张磊,王晓青,孙晓平,程伟. 计算机学报. 2019(03)
[6]融合关联矩阵自学习和显式秩约束的数据表示分簇算法[J]. 郑建炜,鞠振宇,朱文博,王万良. 计算机学报. 2019(03)
[7]基于自适应块组割先验的噪声图像超分辨率重建[J]. 李滔,何小海,卿粼波,滕奇志. 自动化学报. 2017(05)
[8]融合语义知识的深度表达学习及在视觉理解中的应用[J]. 张瑞茂,彭杰锋,吴恙,林倞. 计算机研究与发展. 2017(06)
[9]基于弹性特征编组的图像配准方法[J]. 高峰. 计算机学报. 2018(11)
[10]基于广义高斯分布的贝叶斯概率矩阵分解方法[J]. 燕彩蓉,张青龙,赵雪,黄永锋. 计算机研究与发展. 2016(12)
本文编号：3174771
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3174771.html
