基于圖像塊先驗和Bootstrap的圖像去噪算法研究.pdf

1、自然圖像去噪是圖像處理領(lǐng)域的經(jīng)典問題，不同途徑產(chǎn)生的圖像可能包含不同來源的噪聲。對含噪圖像進(jìn)行研究和學(xué)習(xí)時，圖像中存在的噪聲會嚴(yán)重影響其質(zhì)量，為了保證后續(xù)圖像處理的結(jié)果更為可靠，就要求我們在去除噪聲的同時要盡量多地保持圖像原有的紋理、邊緣等信息。近年來，利用圖像塊自身統(tǒng)計特性，將其作為先驗知識進(jìn)行圖像去噪的方法受到了廣泛關(guān)注，Zoran等人提出了塊似然對數(shù)期望(EPLL)復(fù)原框架，利用各個圖像塊的復(fù)原實現(xiàn)了整幅圖像的復(fù)原，這個框架應(yīng)用到

2、圖像去噪中已經(jīng)取得了較好的效果，但仍舊存在參數(shù)估計和噪聲敏感問題。
　　本文在研究塊似然對數(shù)期望去噪算法的基礎(chǔ)上做了以下工作：
　　(1)為了提高上述去噪算法學(xué)習(xí)過程中參數(shù)估計的精度，本文引入了Bootstrap統(tǒng)計方法，該方法僅僅依賴觀測樣本便可以對參數(shù)做出較好的估計，然而當(dāng)觀測樣本容量過小時，會導(dǎo)致估計偏離真實值的情況。本文結(jié)合鄰域?qū)ootstrap進(jìn)行改進(jìn)，對采樣樣本做鄰域，將重采樣的作用域適度地擴(kuò)展到非觀測區(qū)域，從

3、而擴(kuò)大樣本容量，提高估計精度。
　　(2)針對EPLL算法存在的問題，本文提出了基于EM-Bootstrap估計的圖像塊自適應(yīng)EPLL去噪算法。算法學(xué)習(xí)過程采用高斯混合模型(GMM)，鑒于一般EM算法對初始參數(shù)十分敏感并且容易陷入局部最優(yōu)的缺點，引入Bootstrap方法，首先通過Bootstrap對觀測樣本參數(shù)進(jìn)行估計，得到GMM的初始參數(shù)，然后結(jié)合EM算法，在M步驟通過Bootstrap重采樣估計參數(shù)。利用復(fù)原框架進(jìn)行去噪，由

4、于EPLL框架去噪時忽視了噪聲圖像的結(jié)構(gòu)，在圖像去噪的過程中并沒有對模型的參數(shù)進(jìn)行更新，本文提出了一個圖像塊自適應(yīng)EPLL框架(IPAEPLL)，其能夠在優(yōu)化過程中更新模型參數(shù)來適應(yīng)當(dāng)前圖像。通過對比相關(guān)的算法，本文提出的基于EM-Bootstrap估計的圖像塊自適應(yīng)EPLL去噪算法效果更好，并且能夠較好地保留紋理細(xì)節(jié)。
　　(3)針對算法對噪聲敏感問題，本文提出了基于空間分布因子和Student-t混合模型的圖像去噪方法。在圖像