多尺度分析与压缩感知理论在图像处理中的应用研究

摘要

多尺度几何分析理论一直是信号处理的重点内容，它通过时域和频域来联合表示信号，是分析非平稳信号的有力工具。它通过基函数的伸缩、平移等运算对信号进行有效多尺度细化分析，是一种非常灵活、快速和有效的高维信号处理方法，能高效从信号中提取有用信息。多尺度几何分析主要分为非自适应多尺度几何分析与自适应多尺度几何分析两类。其中，非自适应多尺度几何分析主要包括Ridgelet变换、Curvelet变换以及Contourlet变换;自适应多尺度几何分析主要包括Brushlet变换、Wedgelet变换、Beamlet变换、Bandelet变换、Directionlet变换、Shearlet变换、Chordlet变换和Tetrolet变换等。由于多尺度几何分析具有诸多优良特征，所以它非常适合用于去噪、压缩、增强、恢复和特征提取等多方面的图像处理任务。
　　 压缩感知(Compressing Sensing，cs)理论与目前仍然在信息理论中占统治地位的Shannon-Nyquist理论不同，它提出将信号的采样与压缩同时进行，使得在某种基上有稀疏或者压缩表示的信号采样率大大降低，并能将稀疏信号从高度不完整的测量中以极高的概率进行恢复。目前，CS理论已经被广泛应用在诸如各种压缩成像（医学成像、高光谱成像等）、模数转换、生物计算、数据通信、几何数据分析及遥感等领域，并且还呈现出迅速发展的趋势。
　　 论文针对多尺度几何分析以及压缩感知技术在图像分析及处理中的应用与研究展开。并在图像滤波、图像融合以及纹理图像分类三个方面分别进行研究。
　　 首先，分析了多尺度几何分析和压缩感知理论的成因以及基本原理，并介绍了Contourlet变换、非下采样Contourlet变换、Beamlet变换、Directionlet变换、Shearlet变换等几种重要多尺度几何分析方法的特点和基本理论构造。
　　 然后，在多尺度几何分析与压缩感知理论的基础上提出三种图像滤波算法。分别为:基于平移不变Contourlet变换的图像滤波算法、基于Shearlet-SURE的图像滤波算法、基于NSCT-WaveAtom混合域去噪模型的图像滤波算法。这几种方法都能极其稀疏的表示待滤波图像，并且较低的计算复杂度，能够很好的实现对图像的有效去噪与细节增强。最后通过仿真实验，验证了这几种滤波方法的有效性和优越性。
　　 再次，为了有效减少待融合图像中噪声的干扰，增强图像融合后的线性表达能力并提高信息量，提出一种基于NSCT-Beamlet的多尺度融合方法，使用Beamlet变换具有的线检测特性对NSCT变换后的高频成分进行边缘检测，然后通过聚类边缘密度差值来确定其系数的融合规则。接下来在多尺度几何分析理论的基础上结合压缩感知理论，分别提出基于NSCT变换、Directionlet变换和Shearlet变换稀疏表示后观测值融合的图像融合方法，它们恢复的结果图像有极高概率比一般多尺度几何分析融合方法具有更多的信息量和更好的清晰度。并且，观测值是原始分解系数通过随机线性降维的结果，在很大程度上减少了融合所需的数据信息量，所以在计算复杂度上也有一定降低。实验结果表明，提出的融合方法均能有效和极为快速的对图像进行融合，并且能在融合过程中增强图像细节。
　　 最后，在纹理图像分类的研究中，首先对基于多尺度几何分析的散射变换(Scattering Transformation)理论进行了详细阐述，并就其在纹理分类上的性能作了详细的对比和分析。然后，针对目前很多特征算子不能兼具平移不变性和旋转不变性的问题，在二代曲波的基础上，对每个尺度上曲波系数的均值和方差进行旋转规范化以保持特征的旋转不变性，然后结合具有平移不变性和利普希茨连续性的散射向量特征对纹理图像进行分类。另外，提出一种基于压缩感知理论的图像分类方法。在特征提取阶段，从局部图像块中提取随机特征，然后将随机特征嵌入到“词袋”(Bag-of-words，BoW)模型，不经过恢复算法进行重构，直接在压缩域内进行学习和分类，该方法在性能和复杂度上都优于传统的特征提取方法。
　　 综上所述，本文研究了基于多尺度几何分析和压缩感知理论在图像处理中的应用，并针对目前该领域中存在的不足，设计相应的算法进行改进，仿真实验证实，本文所应用的算法和提出的改进方案，均能获得较好的效果。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究意义

1．2 图像的多尺度几何分析

1．2．1 多尺度几何分析的由来

1．2．2 多尺度几何分析的研究现状

1．2．3 多尺度几何分析理论存在的不足

1．3 图像稀疏表示与压缩感知

1．3．1 压缩感知理论的由来

1．3．2 压缩感知理论的框架

1．3．3 压缩感知理论的研究现状

1．4 论文的主要创新点

1．5 论文内容安排

第2章 方向性多尺度几何分析方法

2．1 Contourlet变换

2．2 非下采样Contourlet变换

2．3 Beamlet变换

2．4 Directionlet变换

2．5 Shearlet变换

2．6 本章小结

第3章 基于多尺度几何分析的图像滤波

3．1 传统图像滤波方法

3．2 基于平移不变轮廓波的图像滤波

3．2．1 滤波器的改进

3．2．2 基于改进轮廓波的去噪算法

3．2．3 算法仿真和实验分析

3．3 基于Shearlet变换的去噪方法

3．3．1 快速数字Shearlet框架构成

3．3．2 SURE无偏估计

3．3．3 Shearlet-SURE去噪算法

3．3．4 实验结果及分析

3．4 基于NSCT-Wave atom框架的压缩感知去噪模型

3．4．1 Curvelet和Wave atom变换

3．4．2 去噪框架

3．4．3 数值试验

3．5 本章小结

第4章 基于多尺度-压缩感知理论的图像融合

4．1 图像融合主要算法

4．1．1 图像源分类

4．1．2 图像融合层次

4．1．3 像素级图像融合

4．1．4 基于多尺度的图像融合

4．2 基于NSCT压缩域的融合方法

4．2．1 低频子带系数选择方法

4．2．2 带通方向子带系数选择方法

4．2．3 试验分析

4．3 基于插值Directionlet的融合方法

4．3．1 插值Directionlet变换

4．3．2 CS融合方法

4．3．3 实验结果与分析

4．4 基于改进Shearlet变换的融合方法

4．4．1 改进Shearlet变换

4．4．2 融合方法

4．4．3 试验结果与分析

4．5 基于NSCT-Beamlet变换的图像融合

4．5．1 低频子带系数融合

4．5．2 高频子带系数融合

4．5．3 数值试验

4．6 本章小结

第5章 基于多尺度-压缩感知的纹理图像分类

5．1 纹理图像分析摄述及方法

5．1．1 纹理图像定义及纹理特征

5．1．2 纹理分析算法

5．2 基于Scattering描述子的分类

5．2．1 散射变换

5．2．2 散射系数

5．2．3 散射距离

5．2．4 仿射模型选择以及纹理分类

5．3 基于Curvelet-Scattering描述子的分类

5．3．1 Curvelet变换

5．3．2 旋转不变Curvelet特征提取

5．3．3 旋转规范化

5．3．4 旋转不变性测试

5．3．5 计算效率测试

5．4 基于压缩域的纹理分类方法

5．4．1 建立纹理稀疏模型

5．4．2 观测降维

5．4．3 分类测试

5．5 本章小结

第6章 结论与展望

参考文献

致谢

附录A 发表的学术论文目录