没有合适的资源?快使用搜索试试~ 我知道了~
数据回归-基于L0范数和核回归模型的图像去噪方法研究.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 126 浏览量
2022-06-25
10:00:21
上传
评论
收藏 2.07MB PDF 举报
温馨提示
试读
48页
数据回归-基于L0范数和核回归模型的图像去噪方法研究.pdf
资源推荐
资源详情
资源评论
摘要
在计算机技术迅速发展的今天,数字图像是人们传递信息的重要载体。然而,图像
在获取或传播的过程中,由于这样那样的原因,总会不可避免的受到噪声的干扰。这些
噪声给图像的传播以及后续图像的分析带来很大的影响。因此,在图像处理和计算机视
觉领域中,图像去噪是对图像最基础也是最关键的处理。
L
0
梯度最小化模型(L
0
gradient minimization , LGM)作为一个最基本的数学工具已
经成功的被用在了图像平滑领域。该模型最大的优势就是在处理图像的同时能够很好的
保护图像的显著边缘。作为总变差模型(total variation , TV)的改进版本,LGM 模型对
于处理具有分片常数特征的图像显示出了极大的优势,但是,该模型处理得到的结果图
中却存在着比总变差模型更严重的阶梯效应并且不能够很好地保护图像的纹理和细节
特征。
近二十年来,一种基于最小二乘法的非参数数据拟合方法在图像去噪领域得到了广
泛地应用和发展。其中最具代表性的是核回归模型,该模型在处理图像的同时能够很好
的保护图像的纹理特征并且其处理得到的结果图具有良好的视觉效果。然而,该方法处
理得到的结果不仅容易产生流式效应而且图像的边缘常常因过分平滑而模糊。
显然,以上两种模型优缺点互补,因此,本文将两者结合提出了两种新的图像去噪
方法。二者的结合相得益彰,提出的模型成功地削弱了 L
0
梯度最小化模型的阶梯效应
和核回归方法流式效应。
首先,本论文提出在 L
0
梯度最小化模型基础上引入一个新的保真项——核回归模型
(L
0
gradient minimization-kernel regression , LGM-KR)并将其用在图像去噪中。实验证
明提出的模型不仅具有良好的去噪性能并且在去除噪声的同时能够很好的保护图像的
边缘和纹理特征。
其次,在 LGM-KR 模型的基础上,我们将梯度的 L
0
范数推广到二阶偏导的 L
0
范数
并将其和核回归模型相结合用在图像去噪中。由于其高阶性,因此,提出的模型具有更
好的图像去噪性能。
关键词: 图像去噪 L
0
梯度最小化 核回归 L
0
二阶偏导最小化
Abstract
With the rapid development of the computer technology,digital image has become one of
the most important media for message exchange.However, in the process of image acquisition
and transmission, because of various reasons, noise interference is inevitable, which could
have massive impact on the subsequent image analysis and the spread of the image
information. So to solve this problem, using image denoising is one of the most foundational
and crucial treatment technology in the field of image processing and computer vision.
As a foundamental mathematical tool the L
0
gradient minimization model has been used
for image smoothing successfully. The most impressive advantage of L
0
gradient
minimization is protecting the salient edges in the image processing. As an improvement of
the total variation (TV) model which employs the L
1
norm of the gradient, the LGM model
performs better when processing images with the feature of piecewise constant. However, just
like the TV model, the LGM model suffers, even more seriously, from the staircase effect and
it fails to well preserve the texture in image.
In recent decades, an image denoising method using the non-parameter data fitting
approach based on the localized least squares has been proposed and has attracts lots of
attention from image processing researchers. The kernel regression(KR) model, the most
representative one, has been proved to present better visual effect and more accurate texture
memory. But this method has the probability of serious flow-like effects and the image edges
often blur because of their excessive smooth boundary.
According to the analysis, the two methods just play complementary roles in the process
of image denoising, so this paper proposes two novel schemes by combining above two
models. The proposed models successfully avoid the disadvantages of both methods.
First, this paper introduces an new effective fidelity term (KR) into the LGM model(L
0
gradient minimization-kernel regression , LGM-KR). It is demonstrated that the proposed
method presents the promising ability to remove the noise by numbers of experiments,
meanwhile, the edges and texture information is well preserved.
Second, we extend the LGM-KR model by replacing L
0
gradient minimization by L
0
two-order partial derivative minimization, and the extended model is used for image
denoising combined with KR model. As a result, this scheme has more predominant
performance due to the high-order feature.
Key words:image denoising, L
0
gradient minimization, kernel regression, L
0
two-order
partial derivative minimization
- i -
目 录
第一章 绪论 .......................................................................................................................... 1
1.1 研究背景和意义 ................................................................................................... 1
1.2 国内外研究现状 ................................................................................................... 2
1.3 本文主要工作 ....................................................................................................... 3
1.3.1 主要研究内容 ............................................................................................. 3
1.3.2 本文的组织结构 ......................................................................................... 3
第二章 L
0
梯度最小化模型和核回归模型简介 ................................................................. 5
2.1 L
0
梯度最小化模型 ................................................................................................ 5
2.1.1 一维信号的 L
0
梯度最小化模型 ............................................................... 5
2.1.2 二维信号的 L
0
梯度最小化模型 ............................................................... 6
2.2 核回归 ................................................................................................................... 7
2.2.1 一维信号的经典核回归 ............................................................................. 7
2.2.2 二维信号的经典核回归 ............................................................................. 8
2.2.3 二维等价核 ............................................................................................... 10
2.2.4 自适应核回归 ........................................................................................... 12
2.2.4.1 双边核 .......................................................................................... 13
2.2.4.2 控制核 .......................................................................................... 13
2.3 图像去噪效果的评价标准 ................................................................................. 16
2.4 本章小结 ............................................................................................................. 17
第三章 基于 L
0
梯度最小化和核回归模型的图像去噪方法 .......................................... 18
3.1 L
0
梯度最小化和核回归的数学模型 .................................................................. 18
3.2 L
0
梯度最小化和核回归模型求解 ...................................................................... 18
3.3 实验结果和分析 ................................................................................................. 21
3.3.1 去噪效果测试 ........................................................................................... 21
3.3.2 边缘及纹理保护效果测试 ....................................................................... 26
3.4 本章小结 ............................................................................................................. 28
第四章 基于 L
0
二阶偏导最小化和核回归模型的图像去噪方法 .................................. 30
4.1 L
0
二阶偏导最小化和核回归的数学模型 ......................................................... 30
- ii -
4.2 L
0
二阶偏导最小化和核回归模型求解 ............................................................. 30
4.3 实验结果和分析 ................................................................................................. 33
4.4 本章小结 ............................................................................................................. 37
第五章 总结和展望 ............................................................................................................ 38
5.1 本文研究工作总结 ............................................................................................. 38
5.2 工作展望 ............................................................................................................. 39
参考文献 .............................................................................................................................. 40
发表论文和科研情况说明 .................................................................................................. 46
致 谢 .............................................................................................................................. 47
第一章 绪论
- 1 -
第一章 绪论
1.1 研究背景和意义
计算机技术的迅速发展给人们的生活带来了便利,数字图像作为信息的一个重要载
体,在很多领域中都占据着很重要的地位,如遥感航天、工业生产、生物医学、军事公
安、教育和通信等领域。然而,图像在获取的过程中,由于一些不可抗拒因素的影响如
光照、温度、天气和图像设备等外界条件的影响以及电阻、电磁和元器件干扰等内部条
件的影响,不可避免的会受到噪声的干扰,这些噪声不仅影响着图像的质量,而且给图
像的传播以及后续图像的分析带来很大的麻烦。因此,在图像处理和计算机视觉中,图
像去噪具有重要的理论意义和巨大的实际应用价值。一方面,图像去噪的各种各样的方
法都和其他的图像处理的问题有着千丝万缕的联系,对图像去噪技术的研究能够有效地
促进其它图像处理技术的发展。另一方面,图像去噪可以去除实际图像中的噪声部分,
提高图像的质量,为图像的一些高级处理奠定了良好的基础
[1]
。例如,在医学图像处理
中,各个器官的精确定位需要信噪比较高并且具有清晰边缘的图像,从而降低医生的误
诊率;在军事上,自动目标识别的准确性更加需要低噪声或者几乎无噪声、高分辨率的
图像;在天气预测中,低噪清晰的图像为专家们更好的检测环境和天气状况提供了基本
的保障。另外,对于安全的鉴别,监视与跟踪,卫星的遥感观测,机器人的视觉分析等
等,图像去噪技术都有着举足轻重的作用。因此,图像去噪技术已经在医学图像、遥感
图像和视频以及图像编码等领域被广泛的研究和应用。
图像去噪作为图像处理领域中一项最基础又关键的问题,吸引着越来越多的研究
者。因此,图像去噪在其理论研究上已经获得了不少的成就。然而,图像去噪的目的是
从获得的图像中去除噪声部分的同时,尽可能的保留图像的基本特征和纹理信息
[2]
。这
两个近乎矛盾的目标使研究者们陷入了一个两难的境地。因图像中的噪声信息存在于图
像的高频部分,而图像的一些边缘和纹理信息也恰巧存在于图像的高频部分,这就意味
着图像在去除噪声的同时会或多或少的引起边缘的模糊。如果噪声去除不充分,图像的
质量就不能得到很好地改善;而噪声去除过度,又会引起图像的细节和边缘信息的丢失。
因此,如何处理好这一对矛盾,掌握住去除噪声和保护细节和边缘信息的平衡点,是研
究者们努力的方向,也是评价图像去噪方法好坏的一项重要指标。几乎所有的图像去噪
方法的目标都是在两者之间进行权衡。例如:马尔可夫场模型的去噪方法
[3]
、主成分分
析法
[4]
、基于偏微分方程的算法
[5-12]
和它的高阶模型
[13][14]
、双边滤波
[15]
和它相关的加速
算法
[16-18]
、基于块的算法
[19][20]
、基于小波的算法
[21-25]
、基于稀疏表达的算法
[26-30]
以及
基于参数估计的核回归算法
[31]
。然而,在众多图像去噪的算法中,不去追求哪一种算法
是最好,而是要对应实际要求而应用不同的方法,才是图像去噪的终极目标。
剩余47页未读,继续阅读
资源评论
programxh
- 粉丝: 17
- 资源: 1万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功