面向圖像恢復和識別的稀疏表示方法研究.pdf

1、稀疏表示是一種有效的信號表示理論，它通過模擬哺乳動物大腦皮層的編碼機制，將信號表示為字典中少數(shù)原子的線性組合。這些原子及其相應的稀疏系數(shù)能揭示信號的本質(zhì)特征和內(nèi)在結構。近年來，稀疏表示理論及其應用受到國內(nèi)外科研工作者的廣泛關注，是當前圖像處理、計算機視覺、模式識別等領域的研究熱點與難點。本論文將主要圍繞稀疏表示的兩大核心問題—稀疏分解和字典構建，及其在圖像恢復和識別中的應用開展研究。
　　本論文的主要研究成果如下：
　　1.

2、面向圖像去噪的隨機精化稀疏分解
　　傳統(tǒng)基于稀疏分解的圖像去噪方法尋求噪聲圖像最稀疏的系數(shù)來逼近無噪聲圖像，而最稀疏系數(shù)的求解是一個非確定性多項式困難(Non-deterministic Polynomial-time Hard，NP-hard)問題，難以精確求解。針對此問題，提出基于(Minimum Mean Squared Error，MMSE)估計理論的稀疏分解算法，它能隨機求解多個稀疏系數(shù)來逼近MMSE，從而獲得對無噪聲圖

3、像更優(yōu)的估計。此外，還引入多原子選擇機制來降低算法迭代次數(shù)，并采用錯誤發(fā)現(xiàn)率策略(False Discoveray Rate，F(xiàn)DR)來精化隨機產(chǎn)生的稀疏系數(shù)，以提高求解準確率。相比于經(jīng)典的正交匹配追蹤算法，所提出方法在高噪聲仿真信號上的重構精度提升10％，并減少4倍的迭代次數(shù)。
　　2.面向醫(yī)學圖像去噪的結構化稀疏字典構建
　　常用稀疏字典構建方法僅學習單一過完備字典對圖像進行表示。過完備字典原子間存在較大冗余性，會降低稀

4、疏分解的精度和速度。同時，單一字典難以有效表示圖像中的復雜結構信息。
　　針對過完備字典冗余度高的問題，首先采用聚類策略將字典劃分為多個子字典，以降低子字典間的冗余性，并設計多類追蹤和字典交替優(yōu)化更新的方法來提高字典訓練速度。然后，針對三維醫(yī)學圖像去噪問題，提出了一種三維聯(lián)合結構化字典構建方法，它可同時利用醫(yī)學圖像層析間和層析內(nèi)的相關性，以提升去噪性能。與二維K-SVD字典構建算法相比，所提出方法在三維醫(yī)學圖像去噪上的峰值信噪比（

5、Peak-Signal-Noise-Ratio，PSNR）提高了3dB。
　　針對單一字典表示能力弱的問題，提出多尺度結構字典構建算法。它能根據(jù)圖像中的多種結構信息訓練不同的結構字典，并將多尺度幾何機理引入到結構字典訓練中，提升字典對微弱細節(jié)的表示能力。此外，針對醫(yī)學光學相干層析(Optical Coherence Tomography，OCT)圖像去噪問題，通過考慮OCT層析間的高相似性，提出從相鄰高分辨率層析圖像中訓練多尺度結

6、構字典的策略，進而提高字典質(zhì)量。相比于當前最好的BM3D去噪算法，所提出方法在OCT圖像去噪上的PSNR值平均提升了0.42dB。
　　3.面向OCT圖像同步去噪和超分辨率的半耦合雙稀疏字典構建
　　由于OCT成像在光照強度和成像速度上的限制，通常僅能得到低信噪比、低分辨率的OCT圖像。為獲得高信噪比、高分辨率的OCT圖像，常用方法需分開進行去噪和超分，易造成去噪過程產(chǎn)生的畸變信息在超分階段被放大。針對此問題，提出一種能同步

7、去噪和超分辨率的半耦合雙稀疏字典構建方法。它先獲取大量相互匹配的高信噪比、高分辨和低信噪比、低分辨率訓練數(shù)據(jù)，并從訓練數(shù)據(jù)中學習半耦合雙稀疏字典及對應稀疏系數(shù)的映射方程。所訓練的雙字典和映射方程能有效反映低信噪比、低分辨率和高信噪比、高分辨圖像空間的對應關系，從而實現(xiàn)OCT圖像去噪和超分的同步完成。相比于Bioptigen公司原始OCT成像技術，所提出方法能采集速度提高4倍，同時能有效去除OCT圖像的噪聲。
　　4.面向OCT圖像

8、壓縮的3D自適應稀疏分解
　　存儲和傳輸高空間和時間分辨率的OCT數(shù)據(jù)需要消耗大量的內(nèi)存和通信帶寬，給臨床數(shù)據(jù)的存儲和遠程診斷帶來巨大的挑戰(zhàn)?，F(xiàn)有基于稀疏表示的圖像壓縮算
　　法僅針對2D圖像設計，并未考慮3D OCT圖像相鄰層析間的強相似性，因而壓縮性能受到局限。為進一步提升目前稀疏表示方法對OCT圖像壓縮的性能，提出了一種3D自適應稀疏求解算法。該算法不僅可充分利用OCT相鄰層析間的相關性來提升壓縮效率，同時也能反映OC

9、T層析間的差異性以很好保存層析間不同的結構信息。此外，還設計了與求解算法相應的3D自適應稀疏系數(shù)編碼機制，以進一步提升壓縮和恢復的有效性。相比于經(jīng)典的JPEG2000和MPEG4壓縮方法，在壓縮比為10到40的情形下，所提出方法能將恢復結果的平均PSNR值提升5dB。
　　5.面向高光譜圖像地物識別的多尺度自適應稀疏分解和辨識性稀疏字典構建
　　在高光譜圖像地物識別中，現(xiàn)有基于稀疏表示的識別方法僅利用單一固定尺度(大小)窗口

10、內(nèi)的空間和光譜信息進行地物識別。但是，單一窗口尺度難以適應高光譜圖像內(nèi)復雜的空間結構信息。針對此問題，本文采用多尺度空間窗口，并提出了一種多尺度自適應稀疏分解算法。此算法不僅充分利用不同尺度間的相關性，并考慮尺度間的差異性。相比于單一尺度的稀疏表示識別方法，所提出方法能將整體識別精度提升4.2%。
　　大多稀疏字典構建方法側(cè)重于字典的表示能力，而忽略了字典的辨識能力。針對高光譜圖像分類問題，本文提出了一種高效的辨識性字典學習算法。

11、此方法在字典訓練過程中充分利用了訓練集和字典原子的類別信息，加速訓練過程并提高字典的辨識能力。此外，結合辨識性字典學習算法，還設計了一種基于超像素的辨識性稀疏模型。不同于以往基于單一光譜像素的識別方法，本文方法可同時對由多個相似光譜像素組成的超像素進行識別。相比于基于單一光譜像素的稀疏表示識別方法，所提出方法能將識別速度提高10倍的情況下，仍將整體識別精度提升3.8%。
　　6.面向人臉識別的多任務自適應稀疏分解
　　Gab

12、or變換可提取人臉的重要方向和尺度特征，被廣泛應用于人臉識別中。傳統(tǒng)基于Gabor特征的稀疏表示識別方法簡單地將Gabor不同方向和尺度的特征拼接成單一列向量進行處理，難以利用特征間的相關信息。針對Gabor特征有效利用問題，本文將不同方向和尺度特征的識別分別當作不同的任務，提出了多任務自適應稀疏分解算法。此方法可充分利用不同特征間的互補性和相關性。此外，本文還設計了基于區(qū)域級Gabor特征的識別方法，并通過考慮人臉的結構特性和外界影響