基于稀疏表示理論的圖像去噪與融合算法研究.pdf

1、在視覺(jué)信息感知過(guò)程中，數(shù)據(jù)獲取、壓縮、傳輸與存儲(chǔ)過(guò)程中各種干擾影響，以及拍攝設(shè)備自身局限與人為操作不當(dāng)?shù)戎T多因素，造成的數(shù)據(jù)丟失、噪聲引入、有限聚焦等圖像質(zhì)量問(wèn)題，給人們對(duì)目標(biāo)或場(chǎng)景的感知與理解帶來(lái)了巨大的挑戰(zhàn)。因此，利用信號(hào)處理、計(jì)算機(jī)視覺(jué)以及機(jī)器學(xué)習(xí)等相關(guān)理論技術(shù)，研究圖像去噪與融合技術(shù)，對(duì)多模態(tài)或噪聲圖像進(jìn)行分析與處理，進(jìn)而更好地理解與感知目標(biāo)對(duì)象，具有十分重要的理論和現(xiàn)實(shí)意義。
　　從圖像融合與去噪的難點(diǎn)問(wèn)題出發(fā)，以稀疏表

2、示理論為核心，充分利用自然圖像內(nèi)在結(jié)構(gòu)相似性與變換基函數(shù)下的稀疏性，對(duì)圖像去噪與融合方法存在的計(jì)算復(fù)雜度高，以及“偽影”、“階梯”效應(yīng)、失真與信息丟失等問(wèn)題，展開(kāi)稀疏表示框架下的去噪與融合算法的研究。論文的創(chuàng)新性研究工作主要有：
　?、籴槍?duì)稀疏聚類圖像去噪的參數(shù)非自適應(yīng)性，以及去噪圖像存在人為干擾現(xiàn)象等問(wèn)題，提出一種基于結(jié)構(gòu)聚類與稀疏表示的圖像去噪模型。在稀疏聚類去噪模型的基礎(chǔ)上，引入圖像多形態(tài)成分分析，提出一種新的稀疏聚類去噪模

3、型，從而更好地抑制噪聲信息；通過(guò)歐式距離刻畫(huà)相似塊組，采用混合高斯模型學(xué)習(xí)與判別圖像塊組，形成更緊致的KSVD訓(xùn)練字典，進(jìn)而更有效、完整地表征圖像幾何結(jié)構(gòu)與細(xì)節(jié)信息；將圖像結(jié)構(gòu)與內(nèi)容先驗(yàn)信息引入正則參數(shù)的構(gòu)建，分析與挖掘變換系數(shù)分布特性，優(yōu)化并確定去噪逼近模型，解決參數(shù)與模型的非自適應(yīng)問(wèn)題；通過(guò)對(duì)去噪模型的迭代數(shù)學(xué)求解，重建去噪后圖像，提升圖像的質(zhì)量。
　?、卺槍?duì)傳統(tǒng)圖像融合中邊緣振蕩、塊效應(yīng)、失真等問(wèn)題，以及壓縮感知框架下感知測(cè)

4、量的不確定性與融合策略等問(wèn)題，提出了一種基于壓縮感知理論的多源圖像融合的新思路。通過(guò)分析不同尺度下圖像重建的精度，選擇合適的分解尺度；根據(jù)多尺度分解系數(shù)自身的特性，引入改進(jìn)的自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)與圖像質(zhì)量評(píng)價(jià)因子，構(gòu)建多融合策略，從而有效地提取源圖像的結(jié)構(gòu)與細(xì)節(jié)信息；通過(guò)改進(jìn)的梯度下降算法優(yōu)化確定性Toeplitz測(cè)量矩陣，解決測(cè)量矩陣高計(jì)算復(fù)雜度與低重建精度的問(wèn)題，進(jìn)而通過(guò)改進(jìn)的壓縮采樣匹配追蹤算法精確重建融合圖像。
　?、坩?/p>

5、對(duì)傳統(tǒng)圖像融合中塊效應(yīng)、失真等問(wèn)題，以及圖像分解框架下圖像的完整、有效的描述與計(jì)算復(fù)雜度高等問(wèn)題，提出了一種新穎的基于卡通-紋理稀疏分解的多聚焦圖像融合算法。受啟發(fā)于迭代重加權(quán)最小二乘法的求解思路，提出一種基于迭代重加權(quán)的卡通-紋理稀疏分解模型，解決圖像卡通-紋理分解有效表征與高計(jì)算復(fù)雜度問(wèn)題，從而更有效、完整地表示圖像卡通分量與紋理分量；針對(duì)提出的分解模型，通過(guò)詳細(xì)地理論證明與分析，從數(shù)學(xué)原理上推導(dǎo)稀疏解的收斂性與可行性；根據(jù)圖像卡通