论文部分内容阅读
随着数字媒体技术的发展以及移动智能设备的普及,人类已经全面进入信息化时代,图像也因此成为了人类以及机器汲取信息的主要方式。但由于成像设备的硬件限制和外界环境的干扰,最终获取的图像往往会发生严重的质量退化,从而难以满足如医疗诊断、目标识别与检测等后续应用的需求。因此,通过研究复原算法来改善图像质量进而为后续处理提供便利具有非常重要的意义。图像复原是一个众所周知的病态逆问题,以图像统计先验模型为导向的最大后验概率方法通常可以有效缓解其病态性。因此本文以基于最大后验概率的图像复原方法为出发点,针对目前图像统计先验模型存在的问题,主要开展如下两方面的研究工作:(1)提出基于自适应高斯混合模型的图像复原方法为了克服传统空域模型中固定高斯混合模型(Gaussianmixturemodel,GMM)表达能力不强,无法准确表示图像结构信息的问题,提出一种基于自适应GMM模型(Adaptive GMM,AGMM)的图像复原方法。首先,利用基于欧式距离的块匹配方法为当前待处理图像块寻找若干个相似图像块;然后,基于图像的非局部自相似原理,将所有相似块视为独立同分布的样本,估计出当前待处理块在GMM模型中所属高斯分量的参数。通过上述过程估计出所有待处理块所属分量的参数,就可以隐式的确定出与待处理图像结构信息相匹配的AGMM模型;最后,将学习到的AGMM模型应用于图像复原,通过采用ADMM(Alternating direction method of multipliers)算法对得到的优化问题进行求解复原出潜在的高质量图像。实验结果证明相比于传统的空域模型,所提出的模型以及复原方法可以更好的保护图像的结构信息。(2)提出基于两级正交变换和拉普拉斯分布的图像复原方法上述工作提出的AGMM模型对于纹理、轮廓等结构丰富的图像表现不佳,而稀疏域模型在简化模型的同时还能更好保护纹理、轮廓等结构信息。因此,本文进一步提出一种基于两级正交变换和拉普拉斯分布的图像复原方法。首先,对所有图像块进行PCA(Principal component analysis)变换去除图像块内的相关性,得到第一级稀疏系数;接着,对相似系数向量组进行PCA变换去除相似块间的相关性,得到最终的稀疏系数;之后,采用可变参数拉普拉斯模型对系数进行统计建模,并从待处理系数中自适应估计拉普拉斯模型的参数,使得模型和图像结构更加匹配;此外,由于图像块向量化会破坏固有结构信息,因此进一步提出采用2D SVD(2D Singular value decomposition)变换和PCA变换分别去除图像块内和相似图像块间的相关性,再使用自适应参数的拉普拉斯模型对系数建模;最后,将提出的稀疏域模型分别应用到基于最大后验概率的图像复原框架中,通过ADMM算法进行求解进而获得复原图像。多组实验结果分别从视觉效果以及量化指标两个方面验证了所提出模型和复原方法的有效性。