基于先验模型的图像去噪研究
论文名称：《基于先验模型的图像去噪研究》
指导教师：孙洪
论文作者：刘舟
毕业院校：武汉大学
文章内容概要
- 介绍图像中的噪音与成因，对图像中常用的去噪领域常用数学基础知识进行介绍
- 介绍常用的噪音观测模型与图像去噪问题的常用评价标准，主观指标与客观指标
- 介绍基于稀疏表示的图像去噪问题的相关工作，介绍基于贝塔过程的非参数贝叶斯表示方法
- 介绍低秩近似的定义，将广义变差引入低秩近似的方法用来解决过度平滑的问题
- 介绍混合噪声的观测模型，介绍混合噪声去除领域的经典方法
- 提出基于鲁棒性权重估计的混合噪音去除方法，介绍模型的求解过程和参数设计
噪音的主要种类和成因
- 高斯白噪声（AWGN）
- 由于成像传感器和电路引发的，例如光照条件与热噪声
- 服从加性的零均值的高斯分布
- 脉冲噪声（IN）
- 由于模拟数字的准换，传输中的比特误差等原因产生
- 影响图像中的部分像素点，类似椒盐噪声的呈现亮点的情况
- 松柏噪声（PN）
- 由于成像系统中统计性的量子涨落引起的
- 服从柏松分布，可以近似看做为高斯白噪声
- 量化噪声（QN）
- 在成像传感器的量化过程中产生的
- 服从于近似均匀分布，通常为收到量化噪音隐形的lena图像
图像去噪效果的评价指标
- 主观评价指标
- 主要依靠人类的眼睛进行观察与感受，使用视觉进行图像观察评价图像优劣
- 客观评价指标
- 使用数学方法定义一些特定的计算指标，用来反映图像与原始图像之间的差异
基于非参数稀疏贝叶斯字典学习的图像去噪
- 噪音统计分布状态图
- 基于稀疏表示的图像去噪经典方法
- 基于贝塔过程的非参数贝叶斯稀疏表示模型
- 贝塔过程：独立增量过程，莱维过程
- 基于贝塔过程的非参数贝叶斯稀疏表示模型
- 基于非局部结构化贝塔过程的非参数贝叶斯稀疏表示图像去噪模型
- 基于NLS-BPFA 算法的去噪方法和讨论
- NLS-BPFA 算法：用于图片去噪问题
- 稀疏表示：
| 算法NLS-BPFA步骤 | 算法表述 |
|---|---|
| 输入 | 信号与最大迭代次数 |
| 初始化 | 超参 |
| 迭代开始 | 基于等式采样更新，直至最大迭代次数 |
| 输出 | 迭代结果 |
基于局部结构保持的低秩近似图像去噪
- 基于低秩近似的图像去噪经典方法
- 总广义变差简介
- 基于局部结构保持的低秩近似图像去噪模型
- 模型的最优化求解
- 基于权重鲁棒估计的图像混合噪声去除
