基于空域核回歸平滑的圖像去噪算法研究.pdf

1、圖像去噪是圖像處理中的經(jīng)典問題,對于很多圖像應用非常重要,如圖像增強,邊緣檢測,物體識別和圖像提取等往往需要以圖像去噪作為預處理。此外,圖像去噪對其他相關問題如圖像復原,獨立成分分析(ICA),醫(yī)學影像重建等的研究具有重要的啟示意義。因此,開展對圖像去噪的研究,不但對促進圖像信息產(chǎn)業(yè)的健康發(fā)展有著重要而直接的現(xiàn)實價值,而且對深入研究其他理論問題具有深遠的學術意義?？沼蚝嘶貧w平滑類方法是圖像去噪研究中的一個重要方向,如線性濾波是空間域核加

2、權算法中最簡單的一種,它通常是使用各種固定的矩陣對含噪圖像進行卷積,從而使得圖像中各點像素值為其鄰近點的線性組合。高斯濾波是其中最為經(jīng)典的一種。近些年提出的較為成功的方法有:Takeda提出的自適應核回歸法和2005年Buades提出的非局部均值法(NL-means)算法?？偨Y起來,這類算法去噪效果優(yōu)劣的關鍵在于對圖像中所在點具有相似特征點集的選取以及在此基礎上求解的標準。因此如何對圖像中所在點有效地選取具有相似特征的點集并且恰當?shù)厍蠼?/p>

3、成為提高這類算法的關鍵因素。
　　 本文主要在總結分析平滑類核回歸方法的基礎上,主要進行了以下兩方面的創(chuàng)新：⑴針對Takeda提出的自適應核回歸法的缺陷,提出了一種新穎的迭代帶核方法。Takeda在分析傳統(tǒng)核回歸法不足的基礎上,根據(jù)待恢復像素點的鄰域信息構造了自適應高斯加權核,再使用二階多項式加權近似誤差最小化得到去噪結果,取得了比傳統(tǒng)核方法更好的效果。但使用二階多項式加權近似誤差最小化使得模型方差增大和計算量增加,為此,本文借

4、鑒機器學習中的Boosting思想,提出新的思路和方法,即基于L2Boost的低階核回歸迭代算法,該方法用零階或一階核加權逐步迭代逼近,不僅計算量減少,而且使得去噪效果提高很多。⑵針對很多去噪方法對邊角去噪不佳的現(xiàn)象,對NL-means算法的核權重構造進行改進,在核中加入了邊角的差異因素,提出了改進算法NNL-means。數(shù)值實驗驗證了所提方法的有效性。在第四章,本文依循這條思路進行拓廣,進一步考慮使用多尺度方法構造更多的特征圖像集,配