论文部分内容阅读
人类获取的信息中有高达85％来自图像，我国大中城市的视频监控逐步实现了全覆盖。受成像设备、成像环境、传输带宽以及传输编解码因素的影响，采集的图像经常存在模糊、噪声和空间分辨率低的现象。为了在不改变采集和传输条件的情况下获取高质量的图像，需要使用图像去噪和超分辨率重建技术。然而，图像去噪和超分辨率重建问题是病态、不适定问题，由于缺少深入的理论基础和有效的技术支撑，图像去噪和超分辨率重建一直是图像处理领域的难点。将图像的先验知识与正则化技术融合，进而解决图像去噪和超分辨率重建难题，是该领域研究的热点。本文选择基于耦合正则化的图像去噪与超分辨率重建算法研究，具有重要的理论意义和广泛的应用前景。 在图像去噪研究中，提出了一种基于可控核回归(steering kernel regression)全变分的图像去噪算法，保证了去噪过程中图像的边缘和结构信息。在图像超分辨率重建研究中，提出了一种基于组合全变分的超分辨率重建算法，充分利用图像的局部和非局部信息，克服了传统的基于重建的算法平滑图像纹理的不足;提出了一种基于稀疏表示残差的超分辨率重建算法，在全变分模型的基础上，加入稀疏表示先验知识学习图像的细节信息，改善了图像超分辨率重建的性能。 本文主要工作与贡献如下: 1.针对传统的核回归去噪算法模糊图像边缘信息的问题，提出了一种基于可控核回归全变分(steering kernel regression total variation)的图像去噪算法。该算法综合基于核回归的算法和全变分算法的优点，将核回归算法扩展到有界变分空间，并使用可控核回归全变分项分析辐射度差异(radiometricdifference)获得图像变分域的局部结构属性;采用非局部的核回归全变分学习图像的非局部相似信息，并将两者结合建立了基于核回归全变分的图像去噪模型;使用Split Bregman迭代方法对提出的算法进行优化求解。通过与主流算法在基准数据集上的实验对比，发现本文提出的算法在有效去除噪声的同时具有保持图像结构和细节信息的能力。 2.针对基于非局部全变分的超分辨率重建算法无法保持图像局部结构的问题，提出了一种基于组合全变分(Combined Total Variation，CTV)的图像超分辨率算法。该算法使用非局部全变分项(Nonlocal Total Variation)学习图像非局部块之间的相似性，将其作为超分辨率重建的非局部先验约束;使用提出的可控核回归项全变分(SKRTV)项学习图像的局部结构属性，将其作为超分辨率重建的局部先验约束;通过融合局部和非局部的先验知识，协调约束保真项与两个先验正则化项，建立了基于最大后验概率(MAP)的图像超分辨率模型。通过与国际先进算法的使用对比，发现本文提出的算法在保持清晰的边缘的同时可以获得比较丰富的细节。 3.针对基于稀疏表示的超分辨率重建算法过于依赖训练集的问题，提出了一种基于稀疏表示残差（Sparse Representation Residual，SRR）的图像超分辨率重建算法。该算法将基于重建的算法与基于学习的算法进行了桥接，并通过融合全局保真项、稀疏表示残差项、稀疏表示项与全变分正则化项，建立了超分辨率重建的数学模型;交替迭代基于学习的算法与基于重建的算法对模型进行求解，利用图像本身不同尺度图像块的自相似性，采用多次小倍数放大的方法进一步改善重建性能。实验表明，该算法在图像退化严重的情况下能取得较好的重建效果。