基于上下文的自適應(yīng)圖像建模及其在圖像恢復(fù)中的應(yīng)用.pdf

1、圖像恢復(fù)在國防安全、航空航天以及人民生活方面有重大需求。從信息學(xué)的角度來看許多圖像恢復(fù)問題，如圖像插值、預(yù)測(cè)和去噪，其本質(zhì)都是用觀測(cè)到的統(tǒng)計(jì)信息來估計(jì)未知的信息。圖像信號(hào)估計(jì)的效率和精度取決于所使用的數(shù)據(jù)模型能否精確刻畫原始圖像數(shù)據(jù)。由于自然圖像數(shù)據(jù)的高維復(fù)雜性，一般并不存在一個(gè)能準(zhǔn)確刻畫自然圖像的通用數(shù)學(xué)模型。圖像模型和實(shí)際觀測(cè)圖像數(shù)據(jù)的不匹配，削弱了圖像信號(hào)估計(jì)的效率。在本文，我們提出基于上下文的自適應(yīng)圖像建模方法并用于圖像恢復(fù)，其

2、基本思想是通過對(duì)局部圖像微結(jié)構(gòu)進(jìn)行上下文建模來充分挖掘自然圖像的先驗(yàn)知識(shí)及圖像非局部信息，極大地提高圖像恢復(fù)的效果。本文提出的基于上下文的建模方法成功用于包括圖像插值、壓縮感知恢復(fù)、圖像去噪、去模糊和超分辨率在內(nèi)的一系列圖像恢復(fù)問題，獲得了遠(yuǎn)好于當(dāng)前同類圖像恢復(fù)算法的結(jié)果。本文的主要貢獻(xiàn)包括：
　　(1)提出了一種基于上下文的圖像插值方法，即先利用結(jié)構(gòu)分類技術(shù)離線學(xué)習(xí)一系列的圖像插值器，然后根據(jù)低分辨率圖像局部結(jié)構(gòu)信息選擇最佳的插

3、值器進(jìn)行插值。相比現(xiàn)有圖像插值算法，本文提出的方法克服了現(xiàn)有圖像插值方法統(tǒng)計(jì)信息量不足的缺點(diǎn)。本文還將基于上下文的插值器用于方向小波提升中的分?jǐn)?shù)像素插值，極大地提升了分?jǐn)?shù)方向預(yù)測(cè)的性能從而大大地提高圖像壓縮性能。
　　(2)提出一種基于圖像模型的壓縮感知恢復(fù)算法?，F(xiàn)有基于固定稀疏域(如DCT，小波，梯度域)的標(biāo)準(zhǔn)恢復(fù)算法無法準(zhǔn)確恢復(fù)自然圖像的局部邊緣和紋理結(jié)構(gòu)。本文提出利用離線學(xué)習(xí)得到的圖像模型對(duì)壓縮感知恢復(fù)進(jìn)行自適應(yīng)正則。實(shí)驗(yàn)結(jié)

4、果表明，本文提出的基于上下文模型的壓縮感知恢復(fù)算法比現(xiàn)有方法具有更高的峰值信噪比，同時(shí)能重建更加尖銳和精細(xì)的圖像結(jié)構(gòu)。
　　(3)提出基于上下文的圖像去噪方法。小波去噪方法依賴于對(duì)小波系數(shù)統(tǒng)計(jì)建模的精度，傳統(tǒng)小波系數(shù)概率模型在邊緣和紋理區(qū)域存在較大偏差從而導(dǎo)致嚴(yán)重的振鈴效應(yīng)。本文提出基于上下文的統(tǒng)計(jì)建模技術(shù)來消除現(xiàn)有概率模型的偏差，有效抑制振鈴效應(yīng)。對(duì)于加性脈沖噪聲，本文提出基于上下文的非線性層疊濾波(nonlinear stac

5、k filtering)方法。對(duì)每一個(gè)上下文設(shè)計(jì)較小窗口的層疊濾波器，有效減少了波器設(shè)計(jì)的復(fù)雜度，并較好地保持自然圖像的局部結(jié)構(gòu)和細(xì)節(jié)。
　　(4)提出基于上下文的自適應(yīng)圖像稀疏表示模型。傳統(tǒng)的固定稀疏域,如小波、DCT基、冗余字典無法有效表示各種自然圖像局部結(jié)構(gòu)。針對(duì)該問題，本文提出基于上下文的自適應(yīng)字典學(xué)習(xí)，通過上下文分類學(xué)習(xí)一系列子字典，然后根據(jù)上下文選擇最佳的子字典進(jìn)行稀疏表示。此外，針對(duì)現(xiàn)有稀疏模型沒有利用非零系數(shù)之間相