

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、圖像作為信息存儲的一種表現(xiàn)形式,在日常生活應(yīng)用中發(fā)揮著重要作用。隨著計算機以及電子設(shè)備的日益普及,圖像在我們工作生活中隨處可見,通過圖像人們可以更加直觀的理解、表達信息,在衛(wèi)星電視、磁共振成像、地理信息系統(tǒng)、天文學(xué)等領(lǐng)域均有著廣泛的應(yīng)用。然而,由于傳感器內(nèi)部設(shè)備和外界光照環(huán)境的影響,圖像在采集、轉(zhuǎn)換和傳輸過程中不可避免地會丟失一些細節(jié)信息,進而導(dǎo)致圖像失真。在過去的50年里用多元化的觀點解決圖像失真問題有著巨大貢獻,空間自適應(yīng)濾波器、隨
2、機分析、偏微分方程、變換域方法、樣條函數(shù)和其他近似理論方法,形態(tài)分析、微分幾何、訂單統(tǒng)計,以及更多的方向和工具都在探索研究該問題。
如何在信息不丟失的前提條件下對數(shù)據(jù)進行降維是一個具有深遠現(xiàn)實意義的挑戰(zhàn)性課題。稀疏表示已被證明可對高維數(shù)據(jù)進行有效的表示,同時,圖像的非局部特性對細節(jié)信息有著較好的保護作用,近年來被廣泛應(yīng)用于圖像處理各領(lǐng)域,并取得了較好效果。本文以非局部組稀疏模型為基礎(chǔ),分別從基于合成稀疏建模、基于分析稀疏建模兩
3、方面分別進行圖像恢復(fù)研究工作。主要內(nèi)容包括以下三個方面:
(1)著力于解決K-SVD算法對初始字典的隨機選取問題,考慮到稀疏編碼系數(shù)之間的高度相關(guān)性,各圖像塊之間可能存在著幾何結(jié)構(gòu)相似性。我們提出了基于稀疏表示的圖像分類字典學(xué)習(xí)方法,對待處理圖像塊進行聚類并進行類字典學(xué)習(xí),并在圖像去噪方面取得較好效果。
(2)考慮到圖像稀疏系數(shù)的非零元素之間往往存在著某種關(guān)聯(lián)性,那么,在不同梯度的圖像分析域中,稀疏向量的非零元素之間
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于非局部相似模型的圖像恢復(fù)算法研究.pdf
- 基于非局部稀疏模型的SAR圖像字典學(xué)習(xí)及應(yīng)用.pdf
- 基于稀疏表示模型的非局部圖像去噪算法研究.pdf
- 非局部稀疏模型中的字典學(xué)習(xí)方法研究.pdf
- 基于局部字典學(xué)習(xí)的非局部稀疏模型及圖像去噪應(yīng)用.pdf
- 信息稀疏表示算法及其在圖像恢復(fù)中應(yīng)用的研究.pdf
- 基于非局部稀疏模型的字典分析與圖像去噪.pdf
- 基于非局部的圖像恢復(fù)算法研究.pdf
- 基于非局部信息的圖像恢復(fù)和圖像質(zhì)量評價.pdf
- 基于非局部稀疏的圖像視頻壓縮算法的研究.pdf
- 基于低秩矩陣分解的非局部稀疏模型圖像去噪方法研究.pdf
- 協(xié)稀疏表示模型在圖像復(fù)原中的應(yīng)用.pdf
- 關(guān)聯(lián)稀疏在圖像恢復(fù)和邊界檢測中的應(yīng)用.pdf
- 基于非局部稀疏模型的最小字典學(xué)習(xí).pdf
- 基于非局部稀疏的圖像去噪與平滑方法研究.pdf
- 圖像稀疏恢復(fù)的特征表示算法研究.pdf
- 基于廣義交叉驗證的正則參數(shù)選擇在非凸非Lipschitzian圖像恢復(fù)模型中的應(yīng)用.pdf
- 基于聚類和加權(quán)非局部的圖像稀疏去噪方法研究.pdf
- 基于樣例學(xué)習(xí)稀疏表示的非局部圖像修復(fù)算法研究.pdf
- 基于矩陣低秩和局部圖像模型的深度圖像恢復(fù).pdf
評論
0/150
提交評論