發(fā)布時(shí)間：2021-11-09 22:26

　　圖像采集過(guò)程中拍攝設(shè)備的輕微抖動(dòng)或者與目標(biāo)之間發(fā)生相對(duì)位移極易造成運(yùn)動(dòng)模糊,模糊圖像的紋理特征容易被忽略或者描述不準(zhǔn)確,為實(shí)際應(yīng)用與科學(xué)研究帶來(lái)一定的困難�，F(xiàn)有的圖像采集設(shè)備有一定的抗模糊性能,但對(duì)于尺度較大的運(yùn)動(dòng)模糊效果并不明顯,圖像去模糊成為近年來(lái)圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的熱點(diǎn)問(wèn)題。為了更好的降低噪聲影響,保持復(fù)原圖像的紋理細(xì)節(jié),本文主要研究基于顯著性邊緣聯(lián)合稀疏表示的圖像復(fù)原。論文主要研究工作如下:1.提出了一種保持圖像紋理細(xì)節(jié)的顯著性邊緣提取算法。傳統(tǒng)的邊緣提取方法在抑制噪聲時(shí)容易破壞細(xì)小的圖像紋理。本文采用多分辨率分層細(xì)化的方式,首先提取邊緣誤差較小的低分辨率模糊圖像的邊緣。在邊緣提取過(guò)程中,通過(guò)自適應(yīng)掩模算子區(qū)分模糊圖像的平坦區(qū)域與紋理細(xì)節(jié)區(qū)域,并借助數(shù)值約束抑制噪聲干擾、梯度約束增強(qiáng)圖像梯度,在抑制噪聲的同時(shí)提取圖像邊緣。實(shí)驗(yàn)表明,本文提出的邊緣檢測(cè)方法能夠抑制圖像噪聲,保持圖像紋理細(xì)節(jié)。2.提出了一種適于結(jié)構(gòu)保持的模糊核估計(jì)方法。閾值截?cái)嗟脑肼暼コ椒ㄈ菀讓?dǎo)致模糊核估計(jì)結(jié)果出現(xiàn)階梯效應(yīng)。通過(guò)引入梯度連續(xù)性約束,確保在濾除噪聲點(diǎn)的同時(shí)能夠有效保持模糊核連續(xù)性的結(jié)構(gòu)特征。... 

【文章來(lái)源】：蘇州科技大學(xué)江蘇省

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 非盲去卷積
        1.2.2 盲去卷積
    1.3 本文主要研究工作
    1.4 本文的內(nèi)容安排
第二章 運(yùn)動(dòng)模糊理論基礎(chǔ)
    2.1 運(yùn)動(dòng)模糊的退化模型
    2.2 運(yùn)動(dòng)模糊恢復(fù)的常用先驗(yàn)知識(shí)
        2.2.1 自然圖像的先驗(yàn)知識(shí)
        2.2.2 模糊核的先驗(yàn)知識(shí)
    2.3 圖像去模糊相關(guān)理論方法
        2.3.1 圖像復(fù)原相關(guān)方法
        2.3.2 模糊核估計(jì)相關(guān)方法
    2.4 本章小結(jié)
第三章 顯著性邊緣檢測(cè)
    3.1 引言
    3.2 基于Ada Boost的邊緣檢測(cè)算法
        3.2.1 創(chuàng)建訓(xùn)練數(shù)據(jù)樣本
        3.2.2 選擇圖像特征
        3.2.3 基于Adaboost的分類(lèi)器訓(xùn)練
        3.2.4 實(shí)驗(yàn)結(jié)果與分析
    3.3 自適應(yīng)增強(qiáng)圖像紋理的邊緣檢測(cè)算法
        3.3.1 算法流程
        3.3.2 自適應(yīng)增強(qiáng)圖像紋理的邊緣檢測(cè)算子的構(gòu)造
        3.3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 Ada Boost算子與自適應(yīng)增強(qiáng)圖像紋理邊緣提取算子實(shí)驗(yàn)比較
    3.5 模糊圖像邊緣提取實(shí)驗(yàn)比較
    3.6 本章小結(jié)
第四章 基于顯著性邊緣聯(lián)合稀疏表示的圖像復(fù)原
    4.1 引言
    4.2 算法框架
    4.3 多分辨率分層細(xì)化的邊緣提取策略
    4.4 保持模糊核結(jié)構(gòu)的模糊核估計(jì)
    4.5 聯(lián)合稀疏表示的清晰圖像估計(jì)方法
        4.5.1 清晰圖像的稀疏表示
        4.5.2 字典訓(xùn)練
    4.6 實(shí)驗(yàn)與分析
    4.7 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果與評(píng)價(jià)
    5.1 評(píng)價(jià)準(zhǔn)則
    5.2 噪聲下的運(yùn)動(dòng)模糊去除
    5.3 不同尺度下的運(yùn)動(dòng)模糊去除
    5.4 其它環(huán)境下的復(fù)原結(jié)果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 后續(xù)研究工作展望
參考文獻(xiàn)
圖表目錄
致謝
附錄
    A 攻讀碩士學(xué)位期間發(fā)表及錄用的論文目錄
    B 攻讀碩士學(xué)位期間申請(qǐng)的相關(guān)知識(shí)產(chǎn)權(quán)
    C 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
    D 攻讀碩士學(xué)位期間獲得的獎(jiǎng)項(xiàng)
作者簡(jiǎn)歷


【參考文獻(xiàn)】：
期刊論文
[1]基于直覺(jué)模糊云模型的TOPSIS多屬性決策方法[J]. 袁華,劉文怡,王肖霞.  計(jì)算機(jī)工程與科學(xué). 2017(03)
[2]基于張量總變分的模糊圖像盲復(fù)原[J]. 劉洪,劉本永.  計(jì)算機(jī)應(yīng)用. 2016(11)
[3]基于結(jié)構(gòu)組稀疏表示的遙感圖像融合[J]. 張曉,薛月菊,涂淑琴,胡月明,寧曉鋒.  中國(guó)圖象圖形學(xué)報(bào). 2016(08)
[4]凹凸范數(shù)比值正則化的快速圖像盲去模糊[J]. 余義斌,彭念,甘俊英.  電子學(xué)報(bào). 2016(05)
[5]基于分類(lèi)學(xué)習(xí)的去霧后圖像質(zhì)量評(píng)價(jià)算法[J]. 南棟,畢篤彥,馬時(shí)平,凡遵林,何林遠(yuǎn).  自動(dòng)化學(xué)報(bào). 2016(02)
[6]基于梯度L0稀疏正則化的圖像盲去模糊算法[J]. 朱騁,周越.  中國(guó)體視學(xué)與圖像分析. 2015(04)
[7]基于Hessian核范數(shù)正則化的快速圖像復(fù)原算法[J]. 劉鵬飛,肖亮.  電子學(xué)報(bào). 2015(10)
[8]一種仿生物視覺(jué)感知的視頻輪廓檢測(cè)方法[J]. 謝昭,童昊浩,孫永宣,吳克偉.  自動(dòng)化學(xué)報(bào). 2015(10)
[9]一種基于暗通道先驗(yàn)的快速圖像去霧算法[J]. 張登銀,鞠銘燁,王雪梅.  電子學(xué)報(bào). 2015(07)
[10]邊緣結(jié)構(gòu)保持的加權(quán)BDTV全光場(chǎng)圖像超分辨率重建[J]. 張旭東,李夢(mèng)娜,張駿,胡良梅,王一.  中國(guó)圖象圖形學(xué)報(bào). 2015(06)



本文編號(hào)：3486010