基于图像块先验和Bootstrap的图像去噪算法研究

摘要

自然图像去噪是图像处理领域的经典问题，不同途径产生的图像可能包含不同来源的噪声。对含噪图像进行研究和学习时，图像中存在的噪声会严重影响其质量，为了保证后续图像处理的结果更为可靠，就要求我们在去除噪声的同时要尽量多地保持图像原有的纹理、边缘等信息。近年来，利用图像块自身统计特性，将其作为先验知识进行图像去噪的方法受到了广泛关注，Zoran等人提出了块似然对数期望(EPLL)复原框架，利用各个图像块的复原实现了整幅图像的复原，这个框架应用到图像去噪中已经取得了较好的效果，但仍旧存在参数估计和噪声敏感问题。
　　本文在研究块似然对数期望去噪算法的基础上做了以下工作：
　　(1)为了提高上述去噪算法学习过程中参数估计的精度，本文引入了Bootstrap统计方法，该方法仅仅依赖观测样本便可以对参数做出较好的估计，然而当观测样本容量过小时，会导致估计偏离真实值的情况。本文结合邻域对Bootstrap进行改进，对采样样本做邻域，将重采样的作用域适度地扩展到非观测区域，从而扩大样本容量，提高估计精度。
　　(2)针对EPLL算法存在的问题，本文提出了基于EM-Bootstrap估计的图像块自适应EPLL去噪算法。算法学习过程采用高斯混合模型(GMM)，鉴于一般EM算法对初始参数十分敏感并且容易陷入局部最优的缺点，引入Bootstrap方法，首先通过Bootstrap对观测样本参数进行估计，得到GMM的初始参数，然后结合EM算法，在M步骤通过Bootstrap重采样估计参数。利用复原框架进行去噪，由于EPLL框架去噪时忽视了噪声图像的结构，在图像去噪的过程中并没有对模型的参数进行更新，本文提出了一个图像块自适应EPLL框架(IPAEPLL)，其能够在优化过程中更新模型参数来适应当前图像。通过对比相关的算法，本文提出的基于EM-Bootstrap估计的图像块自适应EPLL去噪算法效果更好，并且能够较好地保留纹理细节。
　　(3)针对算法对噪声敏感问题，本文提出了基于空间分布因子和Student-t混合模型的图像去噪方法。在图像块先验的学习过程中引入Student-t混合模型，并结合图像块的空间分布特征，提出了空间Student-t混合模型，在图像块先验知识恢复单个图像块的基础上实现整幅图像的去噪，图像恢复过程结合IPAEPLL。实验结果表明空间Student-t混合模型比GMM模型在图像恢复方面更具优势，与其它去噪算法进行比较，实验证明上述算法能够实现较好的去噪效果。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究背景和意义

1.2基于图像块的去噪算法研究现状

1.3 Bootstrap统计方法介绍

1.4 自然图像统计模型

1.5块似然对数期望恢复框架—EPLL

1.6本文的主要工作及内容安排

第二章 基于EM-Bootstrap估计的图像块自适应EPLL去噪算法

2.1图像块统计先验建立高斯混合模型

2.2 图像块自适应EPLL

2.3去噪方法的具体实现

2.4基于IPAEPLL的去噪实验

2.5本章小结

第三章 基于空间分布因子和Student-t混合模型的图像去噪算法

3.1空间Student-t混合模型

3.2空间Student-t混合模型的参数估计

3.3去噪算法的具体实现

3.4空间Student-t混合模型去噪实验

3.5本章小结

第四章 结束语

4.1总结

4.2展望

参考文献

致谢

作者简介