圖像稀疏編碼算法及應(yīng)用研究.pdf

1、 圖像處理技術(shù)已成為人類(lèi)生活與生產(chǎn)實(shí)踐不可或缺的重要信息獲取手段，已廣泛應(yīng)用于空間技術(shù)、醫(yī)學(xué)影像、遙感圖像處理、工業(yè)控制、文化藝術(shù)、計(jì)算機(jī)視覺(jué)、視頻與多媒體系統(tǒng)、科學(xué)可視化、電子商務(wù)等眾多領(lǐng)域。生物視覺(jué)系統(tǒng)是一種高效的圖像處理系統(tǒng)。隨著腦科學(xué)研究的不斷發(fā)展，人類(lèi)對(duì)生物視覺(jué)系統(tǒng)的研究逐步深入，從初級(jí)視皮層到高級(jí)視覺(jué)區(qū)域，從初級(jí)視覺(jué)感知到高級(jí)知覺(jué)組織等，都取得了許多重要的研究成果。
從視網(wǎng)膜接收到光刺激作為輸入信號(hào)開(kāi)始，視覺(jué)

2、系統(tǒng)利用一套完整的信息處理機(jī)制對(duì)輸入圖像進(jìn)行處理和加工。盡管我們尚未透徹了解生物視覺(jué)系統(tǒng)的工作機(jī)制，但視覺(jué)信息處理過(guò)程的“稀疏編碼”特性已證實(shí)了其合理性及有效性。廣義的視覺(jué)圖像稀疏編碼特性是一種符合生物進(jìn)化過(guò)程能量最節(jié)約原則的視覺(jué)信息表達(dá)方式。圖像處理的稀疏編碼算法及應(yīng)用正是基于這一生物學(xué)背景而發(fā)展起來(lái)的一種高效信息處理技術(shù)。已有的研究成果表明：有效的視覺(jué)信息稀疏編碼系統(tǒng)一般具有多分辨、臨界采樣及過(guò)完備性；用于表示圖像的基函數(shù)具有局部性

3、、帶通性、方向性、各向異性等特點(diǎn)?；谶@些規(guī)律，本文以圖像稀疏編碼算法的應(yīng)用為重點(diǎn)，研究了圖像信息的基本稀疏編碼模型、基于優(yōu)化 Gabor 字典的圖像稀疏編碼算法、基于過(guò)完備稀疏表示的圖像處理及應(yīng)用、基于多分辨分析理論的圖像稀疏表示及應(yīng)用，以及視覺(jué)皮層脈沖耦合神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用。所取得的研究成果如下：
1. 提出了一種基于優(yōu)化Gabor字典的圖像稀疏編碼算法。圖像稀疏表示的關(guān)鍵問(wèn)題之一是如何構(gòu)造有效的過(guò)完備字典。二維Gab

4、or函數(shù)具有良好的局部性、方向選擇性及空間頻率選擇性等特點(diǎn)，可有效模擬視覺(jué)皮層 V1 區(qū)簡(jiǎn)單細(xì)胞的感受野特性。以Gabor函數(shù)為原子生成函數(shù)構(gòu)造的過(guò)完備字典能匹配圖像中的邊緣、紋理等幾何機(jī)構(gòu)，可實(shí)現(xiàn)圖像的有效表示。但該字典仍存在原子數(shù)量巨大，匹配追蹤算法計(jì)算開(kāi)銷(xiāo)大等問(wèn)題。針對(duì)這些不足，提出了一種基于優(yōu)化Gabor字典的圖像稀疏編碼算法。新算法主要采用兩種策略對(duì)上述問(wèn)題做一改進(jìn)：其一是采用圖像重疊分塊的策略，以有效減少輸入樣本的長(zhǎng)度；其二

5、是采用粒子群優(yōu)化算法（Particle Swarm Optimization，PSO），模擬視皮層神經(jīng)元的競(jìng)爭(zhēng)機(jī)制，以輸入樣本在Gabor原子上投影的模值為適用度值，以?xún)?yōu)化求解最匹配 Gabor 原子的自由度參數(shù)代替在大規(guī)模字典上的搜索過(guò)程，最后在優(yōu)化所得的Gabor字典上采用正交匹配追蹤（Orthogonal Matching Pursuit，OMP）算法完成圖像的稀疏分解。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法的有效性，算法在較低時(shí)間復(fù)雜度的前提下

6、可獲得較高的重建圖像質(zhì)量。
2. 基于圖像的過(guò)完備稀疏表示理論，針對(duì)傳統(tǒng)變換域方法的適應(yīng)性及噪聲魯棒性問(wèn)題，提出了一種自適應(yīng)字典學(xué)習(xí)的多傳感器圖像融合算法。算法首先從待融合圖像中隨機(jī)取塊構(gòu)成訓(xùn)練樣本集，經(jīng)自適應(yīng)字典學(xué)習(xí)算法迭代運(yùn)算獲取過(guò)完備字典；然后由 OMP 算法完成圖像塊的稀疏分解；再按分解系數(shù)的顯著性選擇融合系數(shù)并完成圖像塊的重構(gòu)；重構(gòu)塊經(jīng)重新排列并取平均后獲得最后的融合圖像。實(shí)驗(yàn)結(jié)果可見(jiàn)，新算法具有較好的噪聲抑制能

7、力，融合圖像的主觀質(zhì)量及客觀評(píng)價(jià)指標(biāo)均要好于傳統(tǒng)算法。
3. 基于圖像的過(guò)完備稀疏表示理論，針對(duì)實(shí)例學(xué)習(xí)圖像超分辨方法中低分辨圖像塊與高分辨圖像塊特征映射不一致問(wèn)題，提出一種在線字典學(xué)習(xí)的圖像超分辨重建算法。在學(xué)習(xí)階段，算法首先獲取一組高分辨圖像，并經(jīng)降質(zhì)獲得對(duì)應(yīng)的低分辨圖像，以該兩組實(shí)例圖像構(gòu)建相應(yīng)的高分辨及低分辨特征訓(xùn)練集，在低分辨訓(xùn)練集上經(jīng)在線字典學(xué)習(xí)算法迭代運(yùn)算獲得低分辨字典，然后采用 OMP 算法獲得輸入樣本在低

8、分辨字典上的稀疏編碼矩陣，通過(guò)共享稀疏編碼系數(shù)求解高分辨字典；在超分辨重建階段，對(duì)輸入的低分辨圖像塊首先在低分辨字典上采用 OMP 算法實(shí)現(xiàn)稀疏編碼，同樣依據(jù)高分辨圖像塊與低分辨圖像塊共享稀疏編碼系數(shù)的原則，以高分辨字典實(shí)現(xiàn)待估計(jì)高分辨圖像塊的稀疏逼近，最后經(jīng)塊重新排序并取平均實(shí)現(xiàn)高分辨圖像的重建。實(shí)驗(yàn)結(jié)果可見(jiàn)，所提方法可取得優(yōu)于傳統(tǒng)方法的圖像超分辨質(zhì)量，重建圖像的細(xì)節(jié)及紋理保持能力較好，且能有效抑制圖像邊緣的偽影現(xiàn)象。

9、4. 基于圖像稀疏表示的多尺度幾何分析（Multiscale Geometric Analysis，MGA）理論，提出了一種改進(jìn)的非下采樣Contourlet變換（Nonsubsampled Contourlet Transform，NSCT）結(jié)合高斯比例混合模型（Gaussian Scale Mixtures Model， GSM）的圖像去噪算法。MGA 是近年來(lái)發(fā)展起來(lái)的一種新的高維函數(shù)多尺度多分辨分析方法，可實(shí)現(xiàn)較小波變換更優(yōu)的圖

10、像“稀疏表示”能力。NSCT是一種有效的多尺度幾何分析工具，具有多尺度、多方向性及平移不變性等特點(diǎn)。NSCT 結(jié)合 GSM 的圖像去噪算法能獲得較滿(mǎn)意的去噪效果，算法具有一定的通用性，但算法耗時(shí)較大。針對(duì)這一問(wèn)題，提出一種改進(jìn)的快速NSCT 變換，以拓展其在算法時(shí)間要求較高場(chǎng)合下的應(yīng)用。由于方向?yàn)V波器組主要影響NSCT的性能，故采用一種具有提升結(jié)構(gòu)并經(jīng)優(yōu)化處理的方向?yàn)V波器改進(jìn)了NSCT變換中的非下采樣方向?yàn)V波器組，同時(shí)將改進(jìn)后的NSCT

11、結(jié)合GSM應(yīng)用于圖像去噪。實(shí)驗(yàn)結(jié)果可見(jiàn)，改進(jìn)算法保持了原NSCT結(jié)合GSM算法的圖像去噪效果，同時(shí)將算法速度提高了近11倍。
5. 基于圖像稀疏表示的多分辨分析理論，模擬視覺(jué)系統(tǒng)同步振蕩機(jī)制及視皮層神經(jīng)元分層分級(jí)信息處理機(jī)制，提出了一種基于改進(jìn)拉普拉斯金字塔（Laplacian Pyramid，LP）變換結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled NeuralNetworks，PCNN）的抗噪聲多聚焦圖像融合算法。算