论文部分内容阅读
人类获取客观世界信息的主要途径是图像，而图像在获取和传输过程中容易受到各种各样的干扰，如光学图像容易被高斯白噪声干扰。噪声会大大降低图像的分辨率，严重影响图像的后续处理和分析（图像分割，图像配准，目标分类与识别等）。因此，在图像处理和分析领域中的图像去噪一直是科学研究热点。截至目前，虽然已经有很多优秀的去噪算法，但人们并未因此而停止继续提高去噪效果的步伐。最近几年，利用机器学习和统计模型进行图像去噪是一种比较流行的方法。本文将以图像去噪为主题，对孪生支持向量机（TWSVM）机器学习，HMT-MRF联合模型，多种关系新型HMT模型进行研究和分析，主要科研工作如下：1、以TWSVM为理论基础，同时利用信息和噪声在高频子带中的分布特点，提出了一种基于非下采样Shearlet域的TWSVM图像去噪算法。该算法首先对图像进行非下采样Shearlet变换，然后结合含噪高频子带上系数的空间特征，根据此空间特征构造TWSVM的训练向量；最后，利用TWSVM将高频子带的所有系数分为噪声系数和非噪声系数，并对非噪声系数进行自适应阈值处理。2、以扩展Shearlet和HMT为理论基础，提出了一种基于扩展Shearlet域的HMT-MRF混合模型去噪算法。该算法首先对图像进行扩展Shearlet变换，然后利用HMT估计出高频子带系数隐状态的大、小状态概率及方差，接着利用MRF进一步提高状态概率的精度，进而利用贝叶斯去噪获得无噪图像。3、以先验分布Bessel K form（BKF）和HMT为理论基础，提出了一种基于扩展Shearlet域的新型HMT图像去噪算法。该算法首先对无噪系数子带中的局部窗口进行有意义测量,然后联合捕获尺度间、尺度内、方向间系数相关性的新型HMT模型进行训练，进而估计出每个系数隐状态的概率。利用此概率进行贝叶斯去噪获得无噪图像。