基于學(xué)習(xí)的壓縮圖像恢復(fù)方法.pdf

1、隨著數(shù)字化多媒體技術(shù)的迅速發(fā)展，人們對各種數(shù)字圖像的需求日益增長。由于圖像具有信息量巨大的特點(diǎn)，因此在傳輸、存儲前需要對其進(jìn)行數(shù)據(jù)壓縮。在目前主流的視頻和圖像編碼標(biāo)準(zhǔn)中廣泛使用以去除圖像中的冗余信息為目的的塊級離散余弦變換壓縮編碼技術(shù)。然而為了達(dá)到高壓縮率，離散余弦變換和隨后的量化過程會導(dǎo)致原始信息過多的損失，從而引起相鄰圖像塊亮度不一致的問題，人們稱之為塊效應(yīng)；另外，由于量化會導(dǎo)致圖像中高頻信息的丟失，從而會在圖像內(nèi)容的邊緣處產(chǎn)生振鈴

2、效應(yīng)。這樣，無論是圖像的主觀質(zhì)量，或是客觀質(zhì)量都受到較大的損失，很難滿足人眼對圖像質(zhì)量的要求，所以，人們迫切需要一些高效的針對壓縮圖像的后處理方法。
　　本文以提高數(shù)字圖像的主觀視覺質(zhì)量為目的，對去塊效應(yīng)算法進(jìn)行了較深入的研究。提出了兩種基于學(xué)習(xí)的壓縮圖像后處理算法，有效地去除了塊效應(yīng)、較好地提高圖像了的主觀視覺質(zhì)量。
　?。ㄒ唬┗趯＜覉龅膲嚎s圖像恢復(fù)：該方法將目前很流行的稀疏編碼概念同馬爾科夫隨機(jī)場結(jié)合起來。一方面，從一

3、組自然圖像中學(xué)習(xí)圖像的先驗(yàn)知識，并將其表示成基于專家場模型的高階馬爾科夫隨機(jī)場的形式；另一方面，根據(jù)壓縮圖像量化噪聲的特點(diǎn)，用加性高斯噪聲模型表示這一降質(zhì)過程。最后，采用最大后驗(yàn)概率估計(jì)的方法經(jīng)過多次迭代得到恢復(fù)后的圖像。
　?。ǘ┗贙-SVD的壓縮圖像恢復(fù)：這一方法基于一種新穎的自適應(yīng)的字典學(xué)習(xí)算法——K奇異值分解方法，用學(xué)習(xí)得到的圖像塊的稀疏編碼表示樣例圖像塊。在圖像恢復(fù)時(shí)，要將對小圖像塊的稀疏表示推廣到一幅完整圖像上，建