论文部分内容阅读
目前，随着计算机和数字技术的迅速发展，图像已经成为信息存储和传递的重要工具。深度图作为表征场景三维结构的图像，在三维重建领域发挥着非常重要的作用。然而在实际应用中，普通图像与深度图像往往受到采样模糊、噪声等因素的影响而无法满足应用需求。因此，如何对现有低质量彩色图像和深度图像进行复原，成为图像处理的重要任务之一。 图像复原技术是指利用先验知识对观测到的退化图像进行修复或重建，以使其最大限度地恢复到初始状态。图像的超分辨率重建与去噪是该领域的两大基础问题。近年来，稀疏表示理论受到了广泛关注，其能够对图像信号进行高效紧凑的表示，这为图像复原问题的研究开辟了新途径。本文基于稀疏表示理论，针对图像超分辨率重建与深度图去噪问题进行了研究，主要工作内容包括以下两个方面: 第一，提出了基于分类策略的稀疏表示超分辨率重建算法。传统的稀疏表示超分辨率重建模型通常采用外部样本训练全局稀疏字典的方式进行重建。然而，对于不同的低分辨率图像，如果训练样本中不包含与其相似的图像，则全局字典无法保证重建效果。这一问题可以采用对样本分类并分别训练字典的方式加以解决。但是，盲目的分类方法只能保证每类样本内部图像块的相似程度，而这与待重建的低分辨率图像之间并未发生关联，仍然无法保证重建效果。针对这一问题，本文提出了一种新的分类策略:利用待重建图像自身的结构信息以及其金字塔分解所得到的图像序列作为内部样本进行聚类，然后以该聚类中心为标准，对外部样本进行划分，从而提高每类样本与待重建图像中属于该类的图像块之间的相似度。而且，所训练的字典对其具有自适应性，能够减小重建误差。实验结果表明，与传统的全局稀疏字典重建算法以及盲目分类的重建算法相比较，本文所提出的方法无论在主观及客观重建质量方面都具有稳定提升。 第二，提出了基于结构字典的稀疏表示深度图去噪模型，并给出了模型求解与字典训练算法。在深度图去噪问题的研究中，大部分将深度图作为与彩色图像等价的灰度图，而且采用普通的去噪方法进行处理。对于深度与彩色图像之间关联性，大部分研究都围绕边缘一致性展开。深度与彩色图像更加深层的关联性尚处于初步探究阶段。本文在分析深度与彩色图像信息关联性的基础上，提出了同一场景所拍摄的深度与彩色图像所包含的信息之间具有“一对多”逻辑对应关系的假设，并基于该对应关系构造了“深度-彩色”结构字典。本文将深度与彩色图像之间的相互关系作为先验知识，提出了基于结构字典的稀疏表示深度图去噪模型，并给出了模型求解与字典更新算法，而且通过实验证明了算法的有效性。