稀疏表示在圖像質(zhì)量提高中的應(yīng)用.pdf

1、在圖像形成、傳輸、獲取過程中，由于成像設(shè)備性能、傳輸信道干擾等因素的影響，人們往往只能獲得低質(zhì)量圖像。這種圖像質(zhì)量下降的過程，稱之為圖像退化。圖像復原是指利用圖像退化后的先驗知識來重建高質(zhì)量圖像的過程，目前在遙感圖像、醫(yī)學成像、視頻監(jiān)控等諸多領(lǐng)域得到了廣泛的應(yīng)用。本文主要研究成果：
　　圖像復原問題是添加合適約束項和尋找最優(yōu)解的過程。研究表明將自然圖像的先驗知識作為約束項，能有效地改善圖像重建性能。目前基于稀疏表示的圖像復原算法，

2、大多數(shù)沒有充分考慮圖像內(nèi)部的幾何結(jié)構(gòu)，重建圖像的質(zhì)量受到影響。圖像的一個重要先驗知識就是圖像具有局部自相似性。轉(zhuǎn)向核回歸方法具有自適應(yīng)性，能較好地表示圖像的結(jié)構(gòu)信息，因而采用轉(zhuǎn)向核回歸方法來表征圖像的局部信息。圖像自相似性僅僅分析了相近區(qū)域的像素點，但忽略了與觀測像素相距較遠區(qū)域內(nèi)像素的相似性?？紤]圖像的非局部冗余性，引入圖像的非局部相似性約束項。高質(zhì)量圖像在降質(zhì)的過程中，丟失的大部分信息是圖像的邊緣信息，若能恢復丟失的邊緣信息，就能較

3、好地重建出高質(zhì)量圖像。在圖像局部相似、非局部相似性和邊緣結(jié)構(gòu)三個約束項的作用下，建立新的圖像復原模型。實驗結(jié)果表明，本文算法具有較高的重建質(zhì)量。
　　本文提出了基于高頻和中頻信息的圖像超分辨率重建算法，主要思想是根據(jù)圖像的中頻信息復原出丟失的高頻信息。該算法分別將圖像高頻和中頻作為訓練樣本對，并采用廣義迭代收縮方法進行稀疏分解，獲得高、中分辨率字典對。根據(jù)測試圖像對應(yīng)的中頻信息和字典對獲得圖像高頻信息，結(jié)合測試圖像插值放大結(jié)果，經(jīng)

4、非局部相似性方法處理后獲得高分辨率圖像。本文提出的高頻信息和中頻信息能更好地學習輸入的低分辨圖像和高分辨率圖像之間的關(guān)系，重建的圖像具有精細的邊緣結(jié)構(gòu)。
　　基于學習的圖像復原中，訓練的字典直接關(guān)系著重建圖像的質(zhì)量?，F(xiàn)有的字典訓練算法，一般基于求解最優(yōu)化問題，但仍有一定的局限性。例如，字典的原子數(shù)是固定不變，字典具有冗余性。非參數(shù)貝葉斯方法可以對滿足某種分布的觀測數(shù)據(jù)進行建模，因此具有廣泛的應(yīng)用性能。在本文中，將基于Dirichl