基于非局部约束和样例学习图像复原论文

《基于非局部约束和样例学习图像复原论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西安电子科技大学硕士学位论文基于非局部约束和样例学习的图像复原姓名：刘忠伟申请学位级别：硕士专业：电路与系统指导教师：王爽201201摘要mIIIlllIIIlllLIIIIIlU

2、lmilllllilll．==1Y2067858人类获取的信息主要来源于视觉，而视觉系统的基础是图像，所以图像质量的高低直接影响到人类对客观世界认识的准确与否。由于相对运动、大气干扰、散焦和噪声等诸多因素的存在，导致了所获取图像质量的下降，因此图像复原至关重要。图像复原的任务是在去除由降质系统引入的模糊和噪声的同时，不丢失原始图像的细节

3、信息。图像复原是一个病态问题，也是至今尚未很好解决的一个问题，同时又是一个非常具有挑战性的课题。本文深入分析了图像的退化模型和恢复模型，详细阐述了常用的降质退化函数、噪声模型、常用的复原方法以及主客观评价准则。在此基础上，提出了三种图像复原方法，分别如下：(1)提出了一种基于非局部约束的全变分图像复原方法。基于全变分模型的图像复原方法可以较好地恢复图像轮廓信息，但恢复的细节部分往往会产生过平滑的现象。我们将图像的非局部自相似性作为全变分模型的新约束，采用了非局部约束策略和局部约束策略相结合的思想，将非局部自相似性与

4、全变分正则性进行互补，有效地解决了恢复图像过平滑和细节恢复不明显的问题。对比实验表明，该方法在抑制噪声的同时，又能有效地恢复图像的边缘和纹理细节信息。(2)提出一种基于改进权值的非局部约束的全变分图像复原方法。该方法针对提出的上一方法中对强噪声抑制不够理想的问题，将非局部均值滤波中的权值计算方法进行了改进，将原始的非局部权值和贝叶斯非局部权值的计算方法进行结合，新构造的权值计算方法同时保留了前两种计算方法的优势，使得非局部相似图像块之间的权值分配更为合理有效。对比实验表明，该方法与改进前的方法相比，可以更有效地抑制

5、噪声，恢复出更多的图像细节信息，而且在视觉效果上更好。(3)提出一种基于样例学习的图像复原方法。该方法将样例学习的思想引入图像复原领域，并构造了一种新颖的三图像块集模型(模糊图像块集B、清晰图像块集C和高频图像块集H)。该方法先利用相似块匹配的策略，通过B．C和B—H之间的对应关系，分别恢复出低中频复原结果和高频复原结果，再将这两幅中间结果图像迭加得到最终的图像复原结果，有效地克服了因块重叠和光滑约束产生的二次模糊问题，保留了从图像块集中学习到的高频细节信息。为了降低该算法复杂性，采用了多级聚类的方法。实验表明，该

6、方法的复原结果无论在主观视觉效果还是客观评价指标上，都明显优于对比算法。本文工作得到了国家自然科学基金(No．61173092)，中央高校基本科研业务费专项资金(No．JYl0000902045)和高等学校学科创新引智计划(1ll计划)(No．基丁．非局部约束和样例学习的图像复原B07048)的资助。关键词：图像复原全变分模型非局部约束样例学习ABSTRACTAsthemainwayofgettinginformantionofhumanisvisualsystemwhichbasedonimages，theima

7、gequalitywilldirectlyaffectshuman’Sunderstandingoftheobjectiveworldaccurateornot．Thepresenceoftherelativemotion,atmosphericinterference,defocusing,noiseandmanyotherfactors，ledtoadeclineinimages，SOimagerestorationisparticularlysignificant．Thistechniqueisaimedto

8、removeblurandnoises，whileholdingtheoriginalimageswithoutlosingdetailsaspossibleaswecall．Imagerestorationisallill·posedinverseproblemandaverychallengingtask．Thispaperstudiesthemodelsofdegradationandrestoration，andanalysesthecommondegradationfunctions，restoratio

9、nmethodsandevaluation．Basedonabovetheories，weproposethreenovelrestorationalgorithmsbasedonTV(TotalVariation)model，NL(Non—Local)meansfilter,andexampleleamingmethodsasfollows．(1)Anov