图像去噪与模糊盲复原算法及其应用研究

admin

题目：


雅宝题库答案：

****此区域为收费内容****    需支付 1 知识币后可查看，1币=0.01元查看答案

雅宝题库解析：
随着现代科学技术，特别是计算机技术、通讯技术、电子技术、传感器技术、控制技术以及人工智能技术的飞速发展，图像处理技术己经被广泛地应用到科学研究、工农业生产、军事、医疗卫生、交通等许多领域。然而图像在形成、传输、转换的过程中，会造成不同程度的退化，典型地表现为图像模糊、失真、有噪声等。这些不仅会导致图像质量的下降，而且还会严重地影响后续的识别及跟踪工作的正常进行。此外，造成图像降质的原因往往是复杂的、多变的和不可知的。因此，研究图像去噪与盲复原算法具有重要的理论意义和应用价值。本文紧密结合实际应用需求，研究了图像去噪与盲复原算法和相关实现技术，主要内容和创新性贡献如下：(1) 针对高效去除椒盐噪声和有效保留图像细节的技术要求，提出了一种基于PCNN(Pulse Coupled Neural Network)的自适应强去噪方法ADEN(Adaptive Denoising method for Extreme Noise)-PCNN。本方法引入了噪声甄别机制，只对被污染的像素进行去噪处理，因而能够保证在去噪的同时不损坏图像信息，使图像细节和纹理信息得以有效保留。为了确保图像质量，在面向图像降噪的PCNN神经网络阵列结构中引入了自组织机制，可以自动地估计噪声的强度信息并进行PCNN网络中神经元连接方式的自组织转换。此外，还引入了自适应机制，可根据噪声强度的估计信息，自动进行滤波次数的优选，增强自适应能力。实验结果表明，此方法较之常规方法和其他同类方法在去噪效果和保留图像细节信息方面具有明显的优势。(2) 针对高斯噪声的去除，提出了一种基于变分优化理论的自适应高保真图像去噪方法。首先，根据变分优化原理，提出了既能保留图像细节，又能实现图像去噪的正则化优化决策模型；然后，给出了一种改进的基于小波变换的高精度噪声方差估计方法，进而将边缘检测机制和高斯窗函数相结合，提出了一种改进的基于图像局部特性的高保真正则化参数选择方法，可减少图像边缘对残差的影响，使得在去噪的同时，能很好地保留图像细节纹理信息。(3) 提出了一种基于总变分正则化优化的模糊图像快速复原方法。总变分TV ( Total variation )正则化优化的复原方法在保留图像纹理细节、边缘等重要信息方面具有优势，但由于其为一种非线性优化方法，因此计算量大，运行时间长。针对这一题目，本文运用罚函数方法和帕斯瓦尔定理，通过定点迭代把计算量繁杂的优化题目转化为基于快速傅里叶变换的优化题目。此外，为了进一步提高收敛速度，提出了一种有效的基于收敛程度的罚函数参数修改方法，使复原处理速度得以大幅度提高。(4) 由于图像复原优化决策题目的病态性，正则化参数的选择对图像复原质量的影响很大。常规的基于UPRE (Unbiased Predictive Risk Estimator )和GCV (Generalized Cross Validation )的正则化参数选择方法较适合于线性优化题目，对于非线性化优化题目则失去效用。针对这一题目，本文提出了一种自动正则化参数选择的新方法，且不需要估计正则化参数的范围，实用性强。(5) 在模糊图像盲复原中，模糊参数辨识和常规复原方法相结合的盲复原方法具有计算量小，性能相对稳定等优点，因而受到普遍重视。但是，对于受到噪声污染或模糊程度严重的模糊图像而言，往往难以实现其模糊参数的准确辨识，针对这一题目，本文对倒谱的定义进行了必要的改进，并证明了其相关性质。进而运用这种新倒谱概念，提出了有效解决运动模糊图像和散焦模糊图像的模糊参数辨识方法，更好地解决了受噪声污染或模糊程度严重的模糊图像的点扩散函数辨识题目。实验结果表明，本文所提的参数辨识方法在抗噪能力、辨识精度和执行效率等方面都具有显著优势。 (6) 结合深空探测的特点和应用需求，分析了深空背景下噪声的来源和模糊成因，提出了相应的解决方案，利用本文的理论研究成果，进行了地面模拟仿真实验，取得了具有重要参考价值的实验结果。其结果表明，本文所提的盲复原算法能够很好地恢复图像的纹理和细节信息，具有很强的实用性。