论文部分内容阅读
纹理是图像处理,图像真实感造型领域的很重要的概念。其在应用方面的研究已经非常广泛且深入,然而至今为止纹理在理论上的研究还是非常有限,现有的几个模型都是针对应用的。最为严重的一个问题是纹理到现在为止还没有明确的定义,纹理图像和一般图像的区别也没有系统的理论指导。本文尝试利用纹理概念的模糊性,摒弃传统的将纹理看作一类图像的观点,将纹理视为图像所携带的一种特定性质,称为纹理标准性,其强度的不同决定了图像在视觉上的纹理化程度,称为标准性系数。根据对大量纹理的形态研究,利用视觉上可以明显界定为纹理的图像的特征分布特性,我们使用纹理的色彩分布直方图来定义这种度量,取得了很好的效果。结合这种标准性度量,本文将其应用到纹理合成的问题当中,对强标准性纹理省去了传统方法中最为耗时的搜索匹配过程,对较强标准性纹理则降低相应的搜索精度,从而加快纹理合成的速度,而同时保持合成的质量没有明显降低。 另外,在图像处理的另一领域,低分辨率图像的高分辨恢复是一个新的热点问题。对这一问题的研究分为两个发展阶段,产生的方法可以相应的分为两大类:传统方法和现代方法。传统方法是对图像高频细节丢失的过程进行建模,通过将信息丢失过程的逆过程反作用到待恢复图像上,获得期望中的高清晰图像。基于重构的方法简单易行,使用范围广。但是如何建立图像虚化模型是其要面对的一个很困难的问题。为了保证恢复图像的正确性,所建立的模型需要有很强的普适性,这就造成其恢复质量无论在理论上还是在实践上都有着严重的局限性。基于“学习”的现代方法为打破这种局限提供了新的思路。它借助外界的高清晰的图像资源,使用机器学习的方法,利用低分辨率图像作为学习的基础,进行细节补偿。本文总结了这方面已经开展的工作和流行的方法,发现其存在着对训练集合严重依赖,时间开销过大等问题。通过充分挖掘图像自身的信息和特点,以及对图像边缘模型的研究,本文提出了了利用图像边缘的分形形态,以IFS迭代函数系统来改进传统的图像类推技术。实验表明,使用这种图像自类推技术可以有效的提高超分辨的质量,而时间开销也大为减少。