發(fā)布時間：2017-06-13 00:01

  本文關鍵詞：圖像處理中的塊先驗理論及應用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：作為有力的和應用廣泛的通信媒介,圖像已經(jīng)成為人類認識物理世界的主要信息來源。圖像處理和理解成為當今科學技術的重要組成部分。然而,由于成像系統(tǒng)的不完善、周圍環(huán)境的變化等因素的影響,圖像在形成、傳輸、記錄過程中會產(chǎn)生退化,導致信噪比(Signal-to-Noise Ratio, SNR)和分辨率降低、畸變、模糊等。圖像的退化嚴重影響了其實際應用效果,圖像分析和理解需要消除這些影響。目前,主要有兩種方式：一是通過預處理對退化圖像進行恢復；二是在圖像理解算法中考慮退化因素造成的偏差。噪聲是導致圖像退化的主要因素之一,同時,圖像去噪模型很容易擴展到去模糊等其它圖像恢復模型。因此,圖像去噪一直是圖像處理領域的研究熱點。城市變化檢測在城市演變、城市規(guī)劃、數(shù)字城市等領域有著非常重要的作用,.由于高分辨率圖像可以提供更多的細節(jié)信息,近年來,基于高分辨率遙感圖像的城市變化檢測受到了更為廣泛的關注。圖像處理算法可以在“塊”尺度上進行,本論文旨在利用分塊思想和圖像塊先驗提高退化圖像的信噪比和多時相高分辨率(Very High Resolution, VHR)遙感圖像變化檢測的精度。本論文的主要創(chuàng)新性工作概括為以下四個部分：第一部分研究受加性高斯白噪聲影響的高光譜圖像的恢復。結(jié)合主成分分析(Principal Component Analysis, PCA)能量集中的特性和字典學習對每個主成分圖像的自適應性,提出了基于主成分分析和字典學習的高光譜遙感圖像去噪方法。該方法利用了高光譜圖像在變換域的圖像塊的稀疏性先驗。實驗表明,新方法達到了更好的去噪效果,更好地保留了細節(jié),有效抑制了斑塊效應。第二部分提出一個新的字典學習模型。圖像的光滑性先驗假定圖像屬于某個光滑函數(shù)空間,圖像塊的稀疏性先驗假定圖像塊可以在一組正交基、框架或者過完備字典下進行稀疏表示。綜合以上兩種假定,提出圖像塊可以在光滑字典下進行稀疏表示,建立了二階總廣義變差(Total Generalized Variation, TGV)正則的過完備字典學習模型,并將其應用于圖像中加性高斯白噪聲的去除。與已有字典學習模型相比,提出模型可以有效地控制字典原子的光滑性、更好地保留圖像的結(jié)構(gòu),數(shù)值實驗驗證了提出模型的有效性。第三部分研究受乘性Gamma噪聲污染的灰度圖像的恢復。基于圖像的光滑性先驗、對數(shù)域圖像塊的自相似性和稀疏性先驗,提出了基于相似塊組的乘性噪聲去除模型的新框架,同時考慮了3種重要的圖像/圖像塊先驗�？紤]高階奇異值分解(Higher Order Singular Value Decomposition, HOSVD)和總變差(Total Variation,TV)正則的互補性,給出了一個具體的乘性噪聲去除模型,分析了對應的求解算法。實驗結(jié)果表明,新模型在有效去除乘性噪聲的同時,可以更好地保留圖像的邊緣和紋理區(qū)域的細節(jié)信息。第四部分研究多時相高分辨率遙感圖像變化檢測。利用圖像塊在特征空間下的相似性,提出了變化場的概念。變化場具有明確的物理意義,它將高維特征空間投影到3維變化特征空間。利用圖像塊在空間的偏移距離和在特征空間的相似度差異,變化場在“塊”尺度上有效的度量了兩幅高分辨率圖像間的復雜變化,提高了變化類和非變化類的類間可分性。基于變化場和漸進直推式支持向量機分類器,給出了一個高分辨率遙感圖像變化檢測新方法。實驗表明,一些已有的變化檢測算法的精度可以通過使用變化場得到提升,提出的方法可以有效地區(qū)分變化類和非變化類。
【關鍵詞】：圖像去噪 變化檢測 圖像塊先驗 字典學習 高階奇異值分解
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• Abstract7-13
• 符號對照表13-14
• 縮略語對照表14-18
• 第一章 緒論18-34
• 1.1 選題背景和意義18-20
• 1.2 國內(nèi)外研究現(xiàn)狀分析20-31
• 1.2.1 圖像去噪的研究現(xiàn)狀20-28
• 1.2.2 高分辨率遙感圖像變化檢測研究現(xiàn)狀28-30
• 1.2.3 存在的問題30-31
• 1.3 論文的主要研究思路和結(jié)構(gòu)安排31-34
• 第二章 基于主成分分析和字典學習的高光譜遙感圖像去噪34-50
• 2.1 高光譜圖像去加性噪聲的研究現(xiàn)狀34-36
• 2.2 基于主成分分析和字典學習的高光譜遙感圖像去噪36-41
• 2.2.1 光譜維PCA變換36-38
• 2.2.2 基于K-SVD算法的噪聲成分圖像去噪38-41
• 2.3 數(shù)值實驗41-49
• 2.3.1 模擬數(shù)據(jù)實驗結(jié)果42-47
• 2.3.2 真實數(shù)據(jù)實驗結(jié)果47-49
• 2.4 本章小結(jié)49-50
• 第三章 基于過完備光滑字典的加性噪聲去除模型50-64
• 3.1 預備知識50-53
• 3.1.1 TGV的定義和性質(zhì)50-51
• 3.1.2 消失矩及其對基于小波變換的圖像去噪效果的影響51-53
• 3.2 過完備光滑字典學習模型53-57
• 3.2.1 字典學習模型的建立53-55
• 3.2.2 字典學習模型的求解55-57
• 3.2.3 基于光滑過完備字典的圖像去噪57
• 3.3 數(shù)值實驗57-63
• 3.3.1 峰值信噪比比較57-60
• 3.3.2 字典光滑性的比較60-61
• 3.3.3 去噪圖像的視覺比較61-63
• 3.4 本章小結(jié)63-64
• 第四章 基于高階奇異值分解和總變差正則的乘性噪聲去除模型64-82
• 4.1 乘性噪聲去除的研究現(xiàn)狀64-68
• 4.1.1 乘性Gamma噪聲的數(shù)學表示64-66
• 4.1.2 研究現(xiàn)狀66-67
• 4.1.3 HMNZ模型67-68
• 4.2 基于高階奇異值分解和總變差的乘性噪聲去除模型68-74
• 4.2.1 模型的建立69-70
• 4.2.2 模型求解70-74
• 4.3 數(shù)值實驗74-80
• 4.3.1 參數(shù)選擇74
• 4.3.2 客觀評價74-76
• 4.3.3 主觀評價76-80
• 4.4 本章小結(jié)80-82
• 第五章 基于變化場的城市場景高分辨率遙感圖像變化檢測82-100
• 5.1 背景知識82-84
• 5.1.1 變化特征抽取82-84
• 5.1.2 變化特征分類84
• 5.2 變化場的定義84-89
• 5.3 基于變化場的城市場景高分辨率遙感圖像變化檢測89-93
• 5.3.1 變化場的計算89-90
• 5.3.2 變化場的分割90-93
• 5.4 數(shù)值實驗93-99
• 5.5 本章小結(jié)99-100
• 第六章 結(jié)論和展望100-102
• 6.1 研究結(jié)論100-101
• 6.2 研究展望101-102
• 參考文獻102-114
• 致謝114-116
• 作者簡介116-117

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 唐夢;彭國華;鄭紅嬋;;基于正則化方法的圖像盲去模糊[J];計算機應用研究;2014年02期

2 王鋒;張昆帆;孟凡坤;趙擁軍;;一種基于總體變分的自適應圖像去噪方法[J];測繪科學技術學報;2014年01期

3 孫曉明;周冬梅;張順;;圖像去噪方法的對比研究[J];科技視界;2014年06期

4 馬超;況立群;韓燮;;基于視覺的拓撲特征提取[J];計算機測量與控制;2015年11期

5 楊柳;何國良;;圖像濾波中P-M方程的兩層格式算法[J];四川理工學院學報(自然科學版);2014年05期

6 張洪為;宋芳芳;;基于改進總變分算法的遙感圖像去噪方法研究[J];通化師范學院學報;2014年10期

7 齊玉娟;牛瀟然;王延江;;基于人類記憶機制的碼本建模方法研究[J];中國石油大學學報(自然科學版);2015年04期

8 王鋒;張昆帆;王希云;趙擁軍;;TV正則化的雙迭代RL湍流退化圖像復原算法[J];信息工程大學學報;2014年02期

9 楊娜;陳后金;陳益強;;基于視覺注意機制PCNN模型的車牌圖像分割方法[J];交通運輸系統(tǒng)工程與信息;2014年03期

10 楊巧;李五強;韓國棟;;P-M與TV模型在加性高斯白噪聲去噪中的比較研究[J];渭南師范學院學報;2014年15期

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張奕;基于偏微分方程圖像處理的快速差分算法研究[D];華北電力大學（北京）;2011年

2 胡琳昀;自適應圖像修復算法研究[D];重慶大學;2012年

3 唐登龍;基于DBN的服裝風格自主發(fā)育的研究與實現(xiàn)[D];東華大學;2014年

4 李青青;基于正則化方法的圖像去噪模型的研究[D];武漢理工大學;2013年

5 李理;加權型線性積分卷積圖像去噪方法研究[D];南京理工大學;2013年

6 楊新星;局部線性嵌入降維及其在紅外及微光圖像識別中的應用[D];南京理工大學;2014年

7 宋朝帥;多物理場圖像處理中LBM的研究與應用[D];青島理工大學;2013年

8 李琰婷;基于偏微分方程的可見光圖像增強方法及實現(xiàn)[D];長春理工大學;2014年

9 王艷;基于各向異性擴散的圖像降噪算法的研究與優(yōu)化[D];中北大學;2014年

10 候芳;基于區(qū)域特征對比分析的圖像顯著性檢測方法研究[D];燕山大學;2013年

  本文關鍵詞：圖像處理中的塊先驗理論及應用研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：445197