圖像結(jié)構(gòu)化表征模型及應(yīng)用.pdf

1、圖像處理所涉及的應(yīng)用十分廣泛，與人們的生活密不可分。在解決圖像處理問題時，所使用的圖像表征模型往往起到至關(guān)重要的作用。圖像表征模型將所有圖像的集合視為高維圖像空間中的點集，并使用某種空間幾何結(jié)構(gòu)，輔以結(jié)構(gòu)實現(xiàn)參數(shù)來緊致地表征點集中的每一點，也就是每幅圖像。在經(jīng)典的圖像表征模型中，結(jié)構(gòu)實現(xiàn)參數(shù)往往是事先給定的，帶有經(jīng)驗性的。但是隨著數(shù)字存儲設(shè)備的飛速發(fā)展和諸多圖像數(shù)據(jù)庫的產(chǎn)生，越來越多的圖像表征模型通過統(tǒng)計學習的方式來確定所需的結(jié)構(gòu)實現(xiàn)參

2、數(shù)。從另一個角度來看，這些圖像表征模型僅僅限定了模型使用的空間幾何結(jié)構(gòu)，因此我們稱之為圖像結(jié)構(gòu)化表征模型。在不同的應(yīng)用場景中，我們可以通過選取不同的訓(xùn)練樣本以及修正最優(yōu)化目標函數(shù)來自適應(yīng)地調(diào)整結(jié)構(gòu)實現(xiàn)參數(shù)。這使得圖像結(jié)構(gòu)化表征模型具有更好的準確性、通用性以及可擴展性。
　　圖像結(jié)構(gòu)化表征模型眾多，其中圖像稀疏表示模型是近年來最具吸引力與廣闊前景的研究課題之一。圖像稀疏表示模型以字典為其參數(shù)，假設(shè)圖像信號可以表征為少數(shù)幾個字典中原子

3、的線性組合。為了使字典能夠更好地表示所需要處理的圖像數(shù)據(jù)，刻畫圖像信號的特性，本文對圖像稀疏表示模型中的字典學習算法進行了研究，并提出了三個新的字典學習算法。首先，在圖像稀疏表示模型發(fā)展的初期，字典的大小是事先取定的，無法適應(yīng)不同的應(yīng)用場合，為此本文提出了基于減法聚類的字典學習算法，實現(xiàn)了字典大小的自適應(yīng)。其次，本文嘗試對字典中原子的選取方式作進一步的約束，分別提出了基于普及性的字典學習算法以及基于子空間分劃的字典學習算法，使得字典所表

4、示的圖像空間更為緊致。我們在實驗中，通過字典原子恢復(fù)百分比、表示信號的自適應(yīng)性、以及在圖像去噪應(yīng)用中的性能等指標驗證了這些字典學習算法的有效性。
　　經(jīng)過對于圖像稀疏表示模型的仔細研究，本文把研究重點轉(zhuǎn)向圖像去噪應(yīng)用。圖像去噪問題的特點是目標單一，圖像降質(zhì)過程的數(shù)學模型簡單，有利于通過實驗揭示圖像信號的本質(zhì)特性，這也使其成為了解決各種高層圖像處理問題的重要基礎(chǔ)。為了比較稀疏表征模型與其它圖像表征模型的優(yōu)劣，本文首先引入了另外兩種圖

5、像結(jié)構(gòu)化表征模型，圖像低維流形模型和圖像高斯混合模型，并分別設(shè)計了相應(yīng)的去噪算法。實驗結(jié)果表明，只要算法設(shè)計得當，使用這兩種模型也能達到與圖像稀疏表示模型相比擬的去噪效果。隨后，本文指出基于不同圖像結(jié)構(gòu)化表征模型的諸多去噪算法可以被歸納為一個統(tǒng)一的濾波和加權(quán)過程，其中圖像表征模型僅影響濾波過程，而加權(quán)過程則長久以來受到研究者們的忽視。為此，本文對濾波和加權(quán)過程進行了理論分析，并提出了基于二次規(guī)劃的加權(quán)算法，進一步提升了現(xiàn)有去噪算法的性能

6、。最后，本文針對各種新去噪算法的去噪性能趨于收斂的現(xiàn)象推導(dǎo)出一個新的去噪理論界限。該去噪界限是通過對基于稀疏表示和非局部平均技術(shù)的去噪框架下的所有參數(shù)值進行窮舉所得到的。
　　最新的研究表明，圖像結(jié)構(gòu)化表征模型中的圖像非負矩陣分解模型與暫存心理視覺調(diào)制顯示技術(shù)關(guān)系非常密切。該顯示技術(shù)目前還處于概念的階段，但是其在虛擬/增強現(xiàn)實、立體顯示、科學/醫(yī)學信息可視化、以及信息安全等領(lǐng)域的廣闊應(yīng)用前景使其具有很高的研究價值。受限于物理成像原