论文部分内容阅读
以计算机视觉的观点,图像中包含的噪声会显著降低图像的视觉效果,并影响后续的处理分析算法的性能。因此,图像去噪作为一类典型的底层视觉问题已经引起了众多学者的广泛关注。为此,人们已经提出了很多图像去噪方法,例如全变分方法,非局域集中稀疏表示方法,三维块匹配方法。但是在这些去噪方法中,原始图像所包含的精细或小尺度纹理结构无法得到充分的保留。如何在保留这些精细或小尺度纹理结构的基础上,有效去除图像噪声仍然是该领域亟待解决的重要问题之一。现在已有很多先验被广泛应用在图像去噪方法中,梯度先验是比较代表性的图像先验之一。研究表明,自然图像的梯度分布服从长尾分布。在本论文中,我们采用超拉普拉斯分布来拟合自然图像的这种长尾分布。然而,基于这些先验的去噪算法,往往会平滑掉图像中的部分细致纹理,从而降低图像的视觉质量。为了解决这个问题,在本论文中我们提出了一种纹理增强的图像去噪方法,使用了梯度直方图保持模型,使得去噪后的图像的梯度分布尽可能的接近从原始图像估计出来的梯度分布。另一方面,不同的图像先验描述了不同的统计特性,因而可以将不同的图像先验组合在一起,从而提升图像去噪的效果。本论文中的图像去噪方法就是组合了超拉普拉斯先验和梯度直方图保持模型,并且使用迭代直方图匹配算法进行去噪。实验结果表明,我们的方法得到了更高的PSNR值和SSIM值,并且能很好地增强了去噪后的图像的细节纹理特征,图像看起来也更自然。一幅图像包含了很多纹理结构不同的区域,它们的梯度分布也有比较明显的差异,彼此造成干扰。例如,纹理信息丰富的区域会影响纹理较为简单的区域的去噪效果,产生错误的纹理。为了解决这一问题,我们提出了基于区域分割的图像去噪方法。通过与没有分割的图像去噪方法比较,可以看出,基于分割的图像去噪方法保持了图像精细的纹理结构,拥有更高的视觉质量。上述梯度直方图保持模型同样也能扩展应用于求解图像去模糊问题,并且使用交替最小化方法进行求解。去模糊的实验结果表明,我们提出的方法保持了图像的细致纹理结构,图像更为清晰,视觉效果也更好。