论文部分内容阅读
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。