图像复原算法研究

论文摘要

在图像成像、复制、扫描、传输、显示等过程中，不可避免地要造成图像的降质，如图像模糊、噪声干扰等。而在许多应用领域中，又需要清晰的、高质量的图像，因此，图像复原(如去噪、去模糊等)具有重要的意义。图像复原的目的是对降质图像进行处理，使其恢复成原始图像，它是图像处理、模式识别、机器视觉的基础，因而受到广泛的研究，并在天文学、遥感成像、医疗图像等领域获得广泛的应用。图像复原的传统方法主要是进行图像滤波，由于图像的大部分信息存在于边缘部分，因此要求图像滤波既能去除图像的模糊和噪声，同时又能保持图像的细节。由于图像细节和噪声在频带上混叠，导致图像的平滑和边缘细节的保持成为一对矛盾，传统的滤波方法难以处理这类问题。近年来发展起来的偏微分方程图像处理技术、神经网络技术、小波分析技术以及图割技术，为解决图像复原中的这一矛盾提供了新的方法。本文以图像复原中的去模糊和去噪问题为主要研究内容，以全变差图像模型为主要研究对象，研究了基于神经网络的图像复原模型和复原算法；分析了小波图像去噪方法与非线性滤波去噪方法之间的关系；并采用图割技术，研究了全变差去噪模型的数值求解方法。研究工作取得了如下创新性成果：(1)神经网络图像复原算法研究·提出了两种基于变分PDE的神经网络图像复原模型，并给出了相应的复原算法。将变分偏微分方程，以正则化项的形式引入到传统神经网络图像复原框架中，给出了基于调和方程和全变差方程的神经网络图像复原模型，提出了两种基于改进型Hopfield神经网络的图像复原算法，并分析了算法的收敛性。·提出了一种基于状态连续改变的快速神经网络复原算法。深入研究了神经网络图像复原算法中的更新规则，将状态连续改变网络模型和最陡下降方法结合，给出了一种状态连续改变的快速神经网络更新规则。进而提出一种基于状态连续改变的快速神经网络复原算法，有效提高了复原算法的收敛速度和复原精度。·提出了基于调和模型的快速神经网络复原算法以及并行算法。将状态连续改变的快速神经网络更新规则应用到基于调和模型的神经网络复原算法，给出了一种基于调和模型的串行快速神经网络复原算法。将状态连续改变网络模型引入到基于调和模型的神经网络复原算法中，给出了一种基于调和模型的并行神经网络复原算法。(2)小波图像复原算法研究·分析了非线性扩散和小波收缩去噪方法之间的关系。分析了二维情况下，Haar小波收缩去噪与非线性扩散之间的关系，给出了非线性扩散滤波在二维Haar小波收缩框架下的解释。从计算角度，说明了非线性扩散方法优于Haar小波收缩去噪方法。·提出了一种基于图像全变差模型的非线性扩散与二维Haar小波收缩相结合的混合图像去噪算法。该算法对图像经Haar小波分解的低频部分采用全变差扩散进行滤波处理；对高频部分采用小波收缩方法。实验结果表明，混合去噪算法保留了两种去噪方法的优点，在计算复杂度与滤波效果上具有更好的综合性能。(3)基于图割的图像复原算法研究·提出了一种基于图割的全变差图像去噪算法。该算法将全变差去噪模型的能量函数最小化问题转化为图的最小割问题，然后采用图割技术(最大流／最小割算法)求得能量函数的全局最优解。并给出了去噪模型中，正则化参数的自适应设定方案。该算法避免了传统能量函数最小化方法中除数为零的不足，并能有效抑制以往最小化方法产生的阶梯效应，获得较优的复原效果。·提出了一种基于移动空间的全变差图像去噪算法。将基于全变差去噪模型的能量函数最小化问题映射为移动空间中的最优标号问题，采用图割技术来搜索最优标号。给出了基于交换移动空间的全变差去噪模型的求解算法，并讨论了不同正则化参数下的去噪效果。该算法需要较少的额外存贮空间，能够高效逼近全变差能量函数的最小值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 图像复原研究的背景和意义
• 1.2 图像复原技术的研究现状
• 1.2.1 基于偏微分方程的图像复原技术
• 1.2.2 神经网络图像复原技术
• 1.2.3 小波图像复原技术
• 1.2.4 基于图割的图像复原技术
• 1.3 论文的主要内容
• 1.3.1 论文的组织
• 1.3.2 论文的主要成果和创新点
• 第二章 基础知识
• 2.1 图像复原概述
• 2.1.1 图像复原的基本概念
• 2.1.2 图像复原的问题模型
• 2.2 有界变差函数的基本理论
• 2.3 全变差图像复原技术
• 2.3.1 全变差图像复原模型
• 2.3.2 全变差图像复原模型的数值解法
• 第三章 神经网络图像复原算法研究
• 3.1 引言
• 3.1.1 神经网络图像复原算法研究现状
• 3.1.2 基于神经网络图像复原的问题描述
• 3.2 基于变分PDE的神经网络图像复原算法
• 3.2.1 正则化项的扩散特性分析
• 3.2.2 基于调和模型的神经网络图像复原算法
• 3.2.3 基于全变差模型的神经网络图像复原算法
• 3.2.4 正则化参数的选取
• 3.2.5 实验结果与讨论
• 3.3 基于状态连续改变的快速神经网络复原算法
• 3.3.1 状态连续改变的神经网络复原模型
• 3.3.2 状态连续改变的快速神经网络更新规则
• 3.3.3 状态连续改变的快速神经网络复原算法
• 3.3.4 仿真结果与讨论
• 3.4 基于调和模型的快速神经网络复原算法
• 3.4.1 算法描述
• 3.4.2 仿真结果与分析
• 3.5 基于调和模型的并行神经网络复原算法
• 3.5.1 算法描述
• 3.5.2 仿真结果与分析
• 3.6 小结
• 第四章 小波图像复原算法研究
• 4.1 引言
• 4.2 小波收缩去噪与非线性扩散去噪之间的关系
• 4.2.1 小波收缩去噪
• 4.2.2 非线性扩散去噪
• 4.2.3 Haar小波收缩与非线性扩散之间的关系
• 4.2.4 仿真结果与讨论
• 4.3 基于小波收缩与非线性扩散的混合去噪算法
• 4.3.1 混合图像去噪算法
• 4.3.2 仿真结果与讨论
• 4.4 小结
• 第五章 图割技术在图像复原中的应用研究
• 5.1 引言
• 5.1.1 基于标号问题的能量函数表示
• 5.1.2 基于标号问题能量函数的导出
• 5.1.3 能量函数的优化方法
• 5.2 基于图割的全变差图像去噪算法
• 5.2.1 基于图割的全变差去噪离散模型
• 5.2.2 基于图割的全变差图像去噪算法
• 5.2.3 正则化参数的选取
• 5.2.4 仿真结果与分析
• 5.3 基于移动空间的全变差图像去噪算法
• 5.3.1 移动空间技术
• 5.3.2 基于交换移动空间的全变差图像去噪算法
• 5.4 小结
• 第六章 全文总结和进一步的工作
• 6.1 全文总结
• 6.2 进一步的工作
• 致谢
• 参考文献
• 个人简历、攻读博士学位期间的科研成果、论文发表情况