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(wèn)題時(shí)，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(diǎn)集，并使用某種空間幾何結(jié)構(gòu)，輔以結(jié)構(gòu)實(shí)現(xiàn)參數(shù)來(lái)緊致地表征點(diǎn)集中的每一點(diǎn)，也就是每幅圖像。在經(jīng)典的圖像表征模型中，結(jié)構(gòu)實(shí)現(xiàn)參數(shù)往往是事先給定的，帶有經(jīng)驗(yàn)性的。但是隨著數(shù)字存儲(chǔ)設(shè)備的飛速發(fā)展和諸多圖像數(shù)據(jù)庫(kù)的產(chǎn)生，越來(lái)越多的圖像表征模型通過(guò)統(tǒng)計(jì)學(xué)習(xí)的方式來(lái)確定所需的結(jié)構(gòu)實(shí)現(xiàn)參

2、數(shù)。從另一個(gè)角度來(lái)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(chǎng)景中，我們可以通過(guò)選取不同的訓(xùn)練樣本以及修正最優(yōu)化目標(biāo)函數(shù)來(lái)自適應(yīng)地調(diào)整結(jié)構(gòu)實(shí)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(zhǔn)確性、通用性以及可擴(kuò)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(lái)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(hào)可以表征為少數(shù)幾個(gè)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(huà)圖像信號(hào)的特性，本文對(duì)圖像稀疏表示模型中的字典學(xué)習(xí)算法進(jìn)行了研究，并提出了三個(gè)新的字典學(xué)習(xí)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(wú)法適應(yīng)不同的應(yīng)用場(chǎng)合，為此本文提出了基于減法聚類的字典學(xué)習(xí)算法，實(shí)現(xiàn)了字典大小的自適應(yīng)。其次，本文嘗試對(duì)字典中原子的選取方式作進(jìn)一步的約束，分別提出了基于普及性的字典學(xué)習(xí)算法以及基于子空間分劃的字典學(xué)習(xí)算法，使得字典所表

4、示的圖像空間更為緊致。我們?cè)趯?shí)驗(yàn)中，通過(guò)字典原子恢復(fù)百分比、表示信號(hào)的自適應(yīng)性、以及在圖像去噪應(yīng)用中的性能等指標(biāo)驗(yàn)證了這些字典學(xué)習(xí)算法的有效性。
　　經(jīng)過(guò)對(duì)于圖像稀疏表示模型的仔細(xì)研究，本文把研究重點(diǎn)轉(zhuǎn)向圖像去噪應(yīng)用。圖像去噪問(wèn)題的特點(diǎn)是目標(biāo)單一，圖像降質(zhì)過(guò)程的數(shù)學(xué)模型簡(jiǎn)單，有利于通過(guò)實(shí)驗(yàn)揭示圖像信號(hào)的本質(zhì)特性，這也使其成為了解決各種高層圖像處理問(wèn)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(jì)了相應(yīng)的去噪算法。實(shí)驗(yàn)結(jié)果表明，只要算法設(shè)計(jì)得當(dāng)，使用這兩種模型也能達(dá)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(gè)統(tǒng)一的濾波和加權(quán)過(guò)程，其中圖像表征模型僅影響濾波過(guò)程，而加權(quán)過(guò)程則長(zhǎng)久以來(lái)受到研究者們的忽視。為此，本文對(duì)濾波和加權(quán)過(guò)程進(jìn)行了理論分析，并提出了基于二次規(guī)劃的加權(quán)算法，進(jìn)一步提升了現(xiàn)有去噪算法的性能

6、。最后，本文針對(duì)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(gè)新的去噪理論界限。該去噪界限是通過(guò)對(duì)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(jìn)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(fù)矩陣分解模型與暫存心理視覺(jué)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(qiáng)現(xiàn)實(shí)、立體顯示、科學(xué)/醫(yī)學(xué)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?jī)r(jià)值。受限于物理成像原