论文部分内容阅读
图像恢复在国防安全、航空航天以及人民生活方面有重大需求。从信息学的角度来看许多图像恢复问题,如图像插值、预测和去噪,其本质都是用观测到的统计信息来估计未知的信息。图像信号估计的效率和精度取决于所使用的数据模型能否精确刻画原始图像数据。由于自然图像数据的高维复杂性,一般并不存在一个能准确刻画自然图像的通用数学模型。图像模型和实际观测图像数据的不匹配,削弱了图像信号估计的效率。在本文,我们提出基于上下文的自适应图像建模方法并用于图像恢复,其基本思想是通过对局部图像微结构进行上下文建模来充分挖掘自然图像的先验知识及图像非局部信息,极大地提高图像恢复的效果。本文提出的基于上下文的建模方法成功用于包括图像插值、压缩感知恢复、图像去噪、去模糊和超分辨率在内的一系列图像恢复问题,获得了远好于当前同类图像恢复算法的结果。本文的主要贡献包括: (1)提出了一种基于上下文的图像插值方法,即先利用结构分类技术离线学习一系列的图像插值器,然后根据低分辨率图像局部结构信息选择最佳的插值器进行插值。相比现有图像插值算法,本文提出的方法克服了现有图像插值方法统计信息量不足的缺点。本文还将基于上下文的插值器用于方向小波提升中的分数像素插值,极大地提升了分数方向预测的性能从而大大地提高图像压缩性能。 (2)提出一种基于图像模型的压缩感知恢复算法。现有基于固定稀疏域(如DCT,小波,梯度域)的标准恢复算法无法准确恢复自然图像的局部边缘和纹理结构。本文提出利用离线学习得到的图像模型对压缩感知恢复进行自适应正则。实验结果表明,本文提出的基于上下文模型的压缩感知恢复算法比现有方法具有更高的峰值信噪比,同时能重建更加尖锐和精细的图像结构。 (3)提出基于上下文的图像去噪方法。小波去噪方法依赖于对小波系数统计建模的精度,传统小波系数概率模型在边缘和纹理区域存在较大偏差从而导致严重的振铃效应。本文提出基于上下文的统计建模技术来消除现有概率模型的偏差,有效抑制振铃效应。对于加性脉冲噪声,本文提出基于上下文的非线性层叠滤波(nonlinear stack filtering)方法。对每一个上下文设计较小窗口的层叠滤波器,有效减少了波器设计的复杂度,并较好地保持自然图像的局部结构和细节。 (4)提出基于上下文的自适应图像稀疏表示模型。传统的固定稀疏域,如小波、DCT基、冗余字典无法有效表示各种自然图像局部结构。针对该问题,本文提出基于上下文的自适应字典学习,通过上下文分类学习一系列子字典,然后根据上下文选择最佳的子字典进行稀疏表示。此外,针对现有稀疏模型没有利用非零系数之间相关性的缺点,本文提出基于结构聚类的稀疏表示模型,通过在稀疏模型中引入结构自相似约束,极大地提高了图像稀疏分解的精度和效率。图像恢复实验表明,提出的基于结构聚类的稀疏模型的图像恢复方法比现有方法具有更好的视觉效果和峰值信噪比。