多尺度變換域圖像反卷積理論研究.pdf

1、在實(shí)際應(yīng)用中，數(shù)字圖像往往會(huì)在諸多模糊和噪聲因素的影響下變成質(zhì)量下降的退化圖像。而在許多應(yīng)用領(lǐng)域中，需要的是清晰、高質(zhì)量的圖像，因此，如何提高退化圖像的質(zhì)量是一項(xiàng)具有重要意義的研究。圖像反卷積技術(shù)作為這一領(lǐng)域眾多研究方向中(如圖像復(fù)原、超分辨率重建等)的一項(xiàng)核心技術(shù)，具有重要的科學(xué)意義和應(yīng)用價(jià)值。
　　目前，圖像反卷積技術(shù)研究的重點(diǎn)是如何在克服問(wèn)題病態(tài)性的同時(shí)獲得清晰的邊緣和細(xì)節(jié)信息。圖像在變換域中往往表現(xiàn)出其在空間域所無(wú)法獲得的

2、特性。在反卷積問(wèn)題中利用這些特性，可以獲得優(yōu)于傳統(tǒng)方法的結(jié)果。本文對(duì)多尺度變換域中的圖像反卷積技術(shù)進(jìn)行了深入的研究，主要工作如下：
　　1.在基于小波域統(tǒng)計(jì)模型的圖像反卷積算法方面，針對(duì)目前基于小波域隱Markov樹(shù)(HMT)模型的圖像反卷積算法模型訓(xùn)練不準(zhǔn)確以及運(yùn)算效率較低的問(wèn)題，提出了一種改進(jìn)算法。該算法使用Fourier-平穩(wěn)小波規(guī)整化對(duì)退化圖像進(jìn)行預(yù)處理，并在預(yù)處理圖像基礎(chǔ)上建立統(tǒng)計(jì)模型，將其作為原始圖像的先驗(yàn)知識(shí)，通過(guò)

3、MAP方法對(duì)圖像進(jìn)行反卷積，無(wú)需循環(huán)地進(jìn)行訓(xùn)練。另外，提出使用小波域背景隱Markov樹(shù)(CHMT)模型代替原模型，加強(qiáng)了尺度內(nèi)小波系數(shù)的相關(guān)性描述，以進(jìn)一步提高了先驗(yàn)知識(shí)的精確程度，從而加強(qiáng)了反卷積算法對(duì)圖像邊緣的復(fù)原能力。
　　2.對(duì)基于Hopfield神經(jīng)網(wǎng)絡(luò)的圖像反卷積算法進(jìn)行了研究，針對(duì)目前該類算法對(duì)圖像細(xì)節(jié)復(fù)原能力不足的問(wèn)題，將小波域統(tǒng)計(jì)模型引入到神經(jīng)網(wǎng)絡(luò)框架下，使兩者的優(yōu)點(diǎn)相結(jié)合，利用Hopfield神經(jīng)網(wǎng)絡(luò)自身的優(yōu)

4、化能力完成反卷積。并且針對(duì)網(wǎng)絡(luò)權(quán)值矩陣求取困難的問(wèn)題，提出一種高度并行的權(quán)值矩陣求取算法，僅通過(guò)快速Fourier變換和小波變換算法即可實(shí)現(xiàn)，具有較高的運(yùn)算效率。
　　3.在利用小波變換表示二維圖像時(shí)，其對(duì)圖像中方向性信息的表現(xiàn)能力有限，在小波域進(jìn)行圖像反卷積時(shí)同樣面臨著這樣的問(wèn)題。因此，本文在其它變換域?qū)D像反卷積問(wèn)題進(jìn)行了研究，提出一種Contourlet域的圖像反卷積算法。Contourlet變換是一種同時(shí)具有多尺度性多方向