多尺度變換域圖像反卷積理論研究.pdf

1、在實際應用中，數字圖像往往會在諸多模糊和噪聲因素的影響下變成質量下降的退化圖像。而在許多應用領域中，需要的是清晰、高質量的圖像，因此，如何提高退化圖像的質量是一項具有重要意義的研究。圖像反卷積技術作為這一領域眾多研究方向中(如圖像復原、超分辨率重建等)的一項核心技術，具有重要的科學意義和應用價值。
　　目前，圖像反卷積技術研究的重點是如何在克服問題病態(tài)性的同時獲得清晰的邊緣和細節(jié)信息。圖像在變換域中往往表現(xiàn)出其在空間域所無法獲得的

2、特性。在反卷積問題中利用這些特性，可以獲得優(yōu)于傳統(tǒng)方法的結果。本文對多尺度變換域中的圖像反卷積技術進行了深入的研究，主要工作如下：
　　1.在基于小波域統(tǒng)計模型的圖像反卷積算法方面，針對目前基于小波域隱Markov樹(HMT)模型的圖像反卷積算法模型訓練不準確以及運算效率較低的問題，提出了一種改進算法。該算法使用Fourier-平穩(wěn)小波規(guī)整化對退化圖像進行預處理，并在預處理圖像基礎上建立統(tǒng)計模型，將其作為原始圖像的先驗知識，通過

3、MAP方法對圖像進行反卷積，無需循環(huán)地進行訓練。另外，提出使用小波域背景隱Markov樹(CHMT)模型代替原模型，加強了尺度內小波系數的相關性描述，以進一步提高了先驗知識的精確程度，從而加強了反卷積算法對圖像邊緣的復原能力。
　　2.對基于Hopfield神經網絡的圖像反卷積算法進行了研究，針對目前該類算法對圖像細節(jié)復原能力不足的問題，將小波域統(tǒng)計模型引入到神經網絡框架下，使兩者的優(yōu)點相結合，利用Hopfield神經網絡自身的優(yōu)

4、化能力完成反卷積。并且針對網絡權值矩陣求取困難的問題，提出一種高度并行的權值矩陣求取算法，僅通過快速Fourier變換和小波變換算法即可實現(xiàn)，具有較高的運算效率。
　　3.在利用小波變換表示二維圖像時，其對圖像中方向性信息的表現(xiàn)能力有限，在小波域進行圖像反卷積時同樣面臨著這樣的問題。因此，本文在其它變換域對圖像反卷積問題進行了研究，提出一種Contourlet域的圖像反卷積算法。Contourlet變換是一種同時具有多尺度性多方向