检索结果-内蒙古大学图书馆

武汉大学学报（信息科学版） 2024年第6期49卷 935-944页

作者：万天真潘俊王密武汉大学测绘遥感信息工程国家重点实验室湖北武汉430079

传统的组稀疏表示模型受到噪声的影响可能无法准确估计每个影像组的稀疏性,从而导致对理想影像的复原失真。提出了双边加权的组稀疏残差约束模型,引入组稀疏残差约束,首先利用稀疏编码系数的非局部自相似性获得理想影像的组稀疏系数估计... 详细信息

传统的组稀疏表示模型受到噪声的影响可能无法准确估计每个影像组的稀疏性,从而导致对理想影像的复原失真。提出了双边加权的组稀疏残差约束模型,引入组稀疏残差约束,首先利用稀疏编码系数的非局部自相似性获得理想影像的组稀疏系数估计,然后约束对应退化影像的组稀疏系数来逼近这一估计。由于面阵卫星影像噪声较为复杂,用简单加性高斯白噪声难以精确建模,将两个权重矩阵分别引入组稀疏残差约束的数据保真项和正则化项中,以表征影像和噪声的统计特性。使用模拟数据和珞珈三号01星获取的真实影像进行实验,在模拟实验中,双边加权组稀疏残差约束模型在去除加性高斯白噪声和空间异质噪声方面表现优于其他对比方法。在真实影像实验中,使用该模型去噪后的影像熵值相较于三维块匹配滤波方法、多波段加权核范数最小化方法、非局部中心化稀疏表示方法、低秩化组稀疏表示方法和三边加权稀疏编码方法,分别提升了2.03%、1.18%、1.26%、1.24%和2.10%。结果表明,双边加权组稀疏残差约束模型在保留影像边缘细节和消除真实影像噪声方面优于对比方法。

关键词：面阵卫星影像影像去噪组稀疏表示组稀疏残差约束非局部自相似性

来源：评论

学校读者我要写书评

暂无评论

基于预滤波的组稀疏残差约束图像去噪模型

引用

传感器与微系统 2020年第2期39卷 48-51页

作者：陈梦雅李润鑫刘辉尚振宏昆明理工大学信息工程与自动化学院

大多数现有去噪方法只考虑了噪声输入图像的非局部自相似性先验方法(NSS),仅从已退化的输入图像中收集相似图像块,图像去噪的质量在很大程度上取决于输入图像本身。针对图像复原过程中的噪声去除问题,设计了一种基于卷积神经网络的组稀... 详细信息

大多数现有去噪方法只考虑了噪声输入图像的非局部自相似性先验方法(NSS),仅从已退化的输入图像中收集相似图像块,图像去噪的质量在很大程度上取决于输入图像本身。针对图像复原过程中的噪声去除问题,设计了一种基于卷积神经网络的组稀疏去噪模型。模型使用两种NSS先验(即噪声输入图像和预滤波图像的NSS先验),把图像去噪问题转化为组稀疏残差最小化问题。为了提高非局部相似块选择的准确性,使用了一种自适应块搜索的方法,并采用卷积神经网络进行预滤波,以获得对原始图像组稀疏系数的良好估计。实验结果表明:所提出的GSRC-CNN方法在客观和感知质量方面优于许多先进的去噪方法。

关键词：卷积神经网络自适应块搜索组稀疏残差约束预滤波

来源：评论

学校读者我要写书评

暂无评论

基于稀疏表示的图像复原

基于稀疏表示的图像复原

引用

作者：周彩月曲阜师范大学

学位级别：硕士

图像复原是指从受损的图像中恢复原始的高质量图像,已成为解决图像压缩、超分辨率、视频隐藏等图像处理问题的关键。但图像复原是一个不适定的反问题,没有明确定义的唯一解。为了解决这个问题,引入了稀疏先验。在过去的几十年中,稀疏表... 详细信息

图像复原是指从受损的图像中恢复原始的高质量图像,已成为解决图像压缩、超分辨率、视频隐藏等图像处理问题的关键。但图像复原是一个不适定的反问题,没有明确定义的唯一解。为了解决这个问题,引入了稀疏先验。在过去的几十年中,稀疏表示模型作为基于图像先验的正则化方法已经取得了重要进展。稀疏表示模型可以分为两类:基于块的稀疏表示(Patch sparse representation,PSR)模型和基于组的稀疏表示(Group sparse representation,GSR)模型。传统的PSR模型将图像块作为图像复原的基本单位,在图像处理的过程中通常会产生不期望的视觉伪影。传统的GSR模型利用非局部相似性(Nonlocal self-similarity,NSS)将相似的图像块分组,构建图像组作为稀疏表示的基本单位,但在图像处理过程中容易产生过度平滑的效果。本文针对稀疏表示模型展开研究,提出了二种准确有效的图像复原方法。论文的主要内容如下:(1)提出了一种用于图像恢复的混合稀疏表示模型。传统的PSR模型在图像处理的过程中通常会产生不期望的视觉伪影,传统的GSR模型容易产生过度平滑的效果。而且,传统的GSR模型仅通过训练退化图像来复原图像,这导致了训练后模型不可避免地产生数据的过度拟合,从而使图像复原结果不佳。针对以上问题,提出的混合稀疏表示模型从两个方面进行了改进。一方面,针对传统的PSR模型和GSR模型的复原效果不理想的问题,引入了一种联合稀疏表示模型,以更好地利用图像的局部稀疏性和NSS特性。该联合模型整合了PSR模型和GSR模型,同时保留了GSR模型和PSR模型的优点,并克服了它们的缺点,使稀疏表示模型统一。另一方面,针对传统GSR模型仅利用退化图像的NSS先验而忽略外部图像数据集的NSS先验问题,提出的混合模型在联合稀疏表示模型的基础上同时利用了退化图像和外部图像数据集的NSS先验,以充分利用退化图像的特定结构和自然图像的共同特性,使得模型在特征空间和平面上互补。将提出的混合稀疏表示模型应用于图像修复任务中并使用了峰值信噪比(Peak signal-to-noise ratio,PSNR)、结构相似性(Structural similarity,SSIM)和主观视觉对比作为评价指标进行评测。大量的实验结果表明,提出的混合稀疏表示模型在两个客观指标和主观视觉对比上都优于现有的图像恢复方法。(2)提出了一种基于非局部自相似和组稀疏残差约束的图像复原方法。传统的GSR模型仅利用退化图像中的图像组进行图像复原,忽略了外部图像数据集的NSS先验。此外,图像具有如噪声、下采样或者像素丢失等多种类型的退化形式,而传统的GSR模型无法准确地估计每种退化形式中图像组的稀疏性,从而导致原始图像的失真重建。针对以上问题,提出的方法在GSR模型的基础上做了两方面改进。一方面,针对传统GSR模型仅利用退化图像的NSS先验而忽略外部图像数据集的NSS先验问题,提出的图像复原方法同时利用了退化图像和外部数据集的NSS先验,以充分利用退化图像的特定结构和自然图像的共同特性,使得模型在特征空间和平面上互补。另一方面,针对传统的GSR模型无法准确地估计每种退化图像的稀疏性问题,提出的图像复原方法在传统GSR模型中引入组稀疏残差约束来提高图像组的稀疏准确性。将提出的图像复原方法应用于图像去块、图像修复、图像压缩感知、图像去噪和图像去模糊这五种不同恢复任务并使用了PSNR、结构相似性SSIM和主观视觉对比作为评价指标进行评测。实验结果表明,提出的图像复原方法在两种客观指标和主观视觉效果方面都优于现有的方法。

关键词：图像复原组稀疏表示块稀疏表示非局部自相似组稀疏残差约束

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的组稀疏残差图像去噪方法研究

基于深度学习的组稀疏残差图像去噪方法研究

引用

作者：陈梦雅昆明理工大学

学位级别：硕士

在获得图像的过程中,由于各种硬件设备及传输过程中会产生图像噪声,导致最终人眼观察到的图像往往质量不好。在需要对图像进行理解和分析时,图像噪声会干扰到人们或者计算机对清晰图像中信息的识别。在计算机进行高水平视觉任务时,图像... 详细信息

在获得图像的过程中,由于各种硬件设备及传输过程中会产生图像噪声,导致最终人眼观察到的图像往往质量不好。在需要对图像进行理解和分析时,图像噪声会干扰到人们或者计算机对清晰图像中信息的识别。在计算机进行高水平视觉任务时,图像噪声往往会造成严重误差。特别是在一些特殊领域中,如航天领域等,图像噪声带来的干扰可能会造成无法弥补的损失。所以图像去噪在图像预处理阶段的作用是非常重要的,同时也是很多专家学者的重要研究方向。近年来,生成对抗网络在图像复原、图像风格转换等视觉任务中都有重大突破。充分证明生成对抗网络在交替更新对抗优化的过程中,能很好的保留图像中的纹理细节,提高图像去噪的性能。所以本文提出利用生成对抗网络进行图像去噪。现有的大多数传统去噪方法只考虑了噪声输入图像的非局部自相似性先验方法(NSS),仅从已退化的输入图像中收集相似图像块用于图像先验,导致得到的图像先验信息不够准确。图像去噪的质量在很大程度上取决于输入图像本身,为了使得到的图像先验知识更加准确,本文采用深度学习和组稀疏残差约束相结合的方法有效估计出潜在清晰图像的组稀疏系数。针对图像复原过程中的噪声去除问题,本文工作如下:(1)采用判别网络,对生成网络得到的去噪图像进行判断,用最小二乘损失函数优化去噪图像和清晰图像的数据分布的差异,通过反向传播将不为0的梯度反馈给生成网络,使训练过程更加稳定同时避免梯度消失的问题,使生成图像的数据分布尽可能地拟合真实图像的数据分布,在提高去噪图像的峰值信噪比的同时有更好的视觉效果。(2)针对图像平滑域在去噪过程中容易产生模糊、边缘不清晰的情况,用大小不同的卷积核对图像进行卷积操作,利用得到的图像特征在生成网络的残差块中进行去噪,再将图像特征重建为去噪图像。并采用最小二乘损失结合内容损失的方式,内容损失函数在特征层对去噪图像和目标图像的特征进行一个简单的L2损失计算,使生成图像的边缘纹理细节更接近原图。(3)针对只利用噪声图像得到图像先验知识的问题,本文利用卷积神经网络和组稀疏残差约束相结合的方法,提出一种改进的图像去噪先验模型。将噪声输入图像和预处理图像的两种NSS先验融合,同时用于图像去噪,提高组稀疏图像去噪的性能。

关键词：图像去噪深度学习生成对抗网络组稀疏残差约束预滤波

来源：评论

学校读者我要写书评

暂无评论

基于块的多维地震数据去噪研究

基于块的多维地震数据去噪研究

引用

作者：张欢河北工业大学

学位级别：硕士

地震数据采集和处理中受噪声影响较大,导致地震数据分辨率和信噪比达不到期望值,因此地震数据去噪具有重要意义。将地震数据分块、然后对地震数据块分组后再去噪,能更好地处理地震数据细节,去噪效果更明显。本文以地震数据块为基础,进... 详细信息

地震数据采集和处理中受噪声影响较大,导致地震数据分辨率和信噪比达不到期望值,因此地震数据去噪具有重要意义。将地震数据分块、然后对地震数据块分组后再去噪,能更好地处理地震数据细节,去噪效果更明显。本文以地震数据块为基础,进行基于块的多维地震数据去噪研究,论文研究内容如下:(1)结合小波变换的四维块匹配协同滤波(BM4D)三维地震数据去噪研究BM4D是一种很好的三维地震数据去噪算法,但去噪性能有待提高,本文提出一种结合小波变换的BM4D三维地震数据去噪算法。该算法采用小波去噪来预处理地震数据,并将去噪结果融入BM4D的基础估计部分;另一方面将含噪地震数据直接输入至BM4D的最终估计部分,用于后续的维纳滤波和块估计值聚合。对合成三维地震数据与实际地震数据去噪,并将其分别与小波变换和BM4D的去噪结果比较。实验结果表明该算法具有可行性。通过比较去噪后的输出信噪比和均方根误差,可以得到本文所提算法性能最优,其次是BM4D算法,再次之是小波阈值去噪算法。(2)结合主成分分析(PCA)噪声估计的四维块匹配协同滤波三维地震数据去噪研究BM4D用于地震数据去噪时虽然有很好的去噪效果,但需要预知噪声标准差。针对上述问题,本文提出结合PCA噪声估计的BM4D三维地震数据去噪算法。该算法首先用PCA对地震数据进行噪声估计,然后将估计结果用于BM4D去噪。对合成和实际三维地震数据的去噪实验结果表明,本文算法具有可行性,既能取得很好的去噪效果,又能规避BM4D对噪声水平预估值敏感的局限性。与Kurtosis等五种噪声估计算法的对比实验表明,PCA与BM4D的结合去噪在噪声估计时间和精度两方面均具优势。因此,本文所提去噪算法对于噪声标准差未知的三维地震数据去噪具有可行性和优越性。(3)基于组稀疏残差约束的二维地震数据去噪研究将组稀疏残差约束理论应用于二维地震数据去噪研究。受数字图像去噪思路启发,本文提出基于组稀疏残差约束的地震数据去噪算法。该算法将地震数据映射为地震图像,为了减少残差,首先对原始地震图像进行组稀疏系数的估计,然后通过对加噪地震图像处理求得与原组稀疏编码系数最接近的编码系数,从而实现地震图像去噪,再将其映射回地震数据。对二维合成地震数据和实际二维地震数据去噪实验表明,基于组稀疏残差约束的地震数据去噪算法是可行的。与小波变换(Wavelet)、曲波变换(Curvelet)和三维块匹配滤波协同(BM3D)去噪算法进行比较可得,本文所提算法去噪后的峰值信噪比和均方误差都能达到最优。因此,基于组稀疏残差约束的地震数据去噪算法具有可行性和优越性。

关键词：地震数据去噪四维块匹配协同滤波组稀疏残差约束噪声估计 PCA

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：