论文部分内容阅读
图像复原作为计算机视觉领域中的一个重要分支,在提高图像质量,重建图像信息等方面具有重要的意义。图像复原的实质是逆问题的求解,正则化方法通过约束目标病态性问题使其转化成良性,是解决逆问题的主要方法之一。其中,总变差(Total Variation, TV)正则化模型由于在平滑噪声的同时能够很好的保持图像边缘细节信息受到广泛的关注。结构张量(Structure Tensor,ST)融合了图像的局部数据信息,是高效的图像分析工具。论文将ST与正则化方法相结合,提出了新的图像复原方法,主要工作及贡献如下:1)深入分析了图像复原技术的应用背景、基本原理及国内外发展状况,针对现有的图像复原方法进行归纳总结,指出各方法发展的前景及存在的不足,为后续的研究指明方向。2)提出了基于原子分裂的ST平滑方法。通过对现有的ST平滑方法的分析,得出这些方法在平滑张量场时不能较好地保持局部数据信息,从而降低了对图像的分析能力。本文以原子分裂的方式构造各向异性非线性结构张量(Nonlinear Structure Tensor, NLST),该方法的优点是:更好地利用空间方向信息进行张量场正则化,可以直接运用欧氏距离计算平滑权重系数避免将非局部均值滤波推广到张量场。实验证明,本文提出的各向异性NLST能有效分析图像局部结构,提取有用信息。3)提出了基于NLST的非局部正则化模型。正则化方法中,正则项的构造尤为重要。传统的正则项构造方法是通过原始图像的局部导数信息来刻画图像中的连续和不连续性,对于图像本身的信息特性利用并不充分。本文将NLST引入非局部总变差模型的正则项构造中,通过NLST向复原模型中加入更多更准确的图像邻域几何结构信息。实验证明,本文提出的非局部TV模型具有较好的空间结构信息保持能力,在去除噪声的同时,能有效的保留了图像边缘信息。