数字图像处理技术应用课程报告.doc

集中稀疏表示的图像恢复wsdong@ 张磊 香港理工大学计算机系 cslzhang@.hk 石光明 中国西安电子科技大学电子工程学院 gmshi@ 摘 要 本文恢复任务提出了一种新的称为集中稀疏表示(CSR)稀疏表示模型。为了给定的字典图像的稀疏编码系数预计应该尽可能接近那些未知的原始图像。然而由于数据是版本(噪声、模糊和/或许多现有的稀疏表示模型稀疏编码系数往往不够准确。稀疏编码更准确。的图像恢复实验模型前最先进的令人信服的改。噪声、模糊和/或 y = Hx + v (1) 其中H是一个退化矩阵，x是原始图像的矢量，v是噪声矢量。由于IR的病态特性，尝试把观察模型和所需解决方案的先验知识合并到一个变分公式的正则化技术，已经被广泛地研究。对于正则方法，对自然图像适当的先验知识进行寻找和建模是最重要的关注点之一，因此学习自然图像先验知识的各种方法已经被提出来了【25,5,6,12】。 近年来，对于图像恢复基于建模的稀疏表示已经被证明是一种很有前途的模型【9,5,13,20,16,21,27,15,14】。在人类视觉系统【23,24】的研究中，已经发现细胞感受区域使用少量的从一个超完备的编码集中稀疏选出的结构化基元来编码自然图像。在数学上，一个x ∈ RN的信号可以表示为一个字典(中的几个原子的线性组合，例如，X ≈ ((,用|0 最小化： (x = argmin ||(||0, s.t.||x ? Φ(||2 ( , (2) α 其中||(||0 对(中的非零系数进行统计，(是一个很小的平衡稀疏性和近似误差的常数。在实践中，为了高效的凸优化【13,9】，|0范数通常被|1 范数所替代。另一方面，对照分析设计字典（比如小波字典）、学习字典【1，21,19】，例如图像分块可以更好地适应信号x和描述图像结构特征。 在IR的方案中，我们有原始图像x的一些退化观察值y，即y = Hx + v。为了从y中重建x，首先y通过求解下列最小化问题从Φ进行稀疏编码： (y = argmin ||(||1, s.t.||y ? H Φ(||2 ( , (3) α 然后重构的x，由x?表示，得到x?=Φ(y。显然，式（3）中的(y预期上与(x非常接近，所以估算的图像x?可以与真实图像x非常接近。不幸的是，因为y受噪声干扰，是模糊和不完整的，式（3）中的编码矢量(y可能与所需矢量(x偏差很大，导致图像x的恢复不准确。换句话说，模型式（3）可以确保式(y是稀疏的，但不能确保(y与(x无限接近。 在本文中，我们介绍稀疏噪音编码（SCN）的概念来方便问题讨论。y的SCN定义为： Va = (x - (y, (4) 我们可以看到在给定的字典Φ中，IR的结果取决于SCN Va的水平，因为图像重建误差Vx= x?-x≈Φ(y-Φ(x=ΦVa。SCN Va的定义还表明了一种提高IR质量的方法，即降低Va的水平。 常规的稀疏表示模型，比如在式（2）或式（3）中的，主要利用了自然图像（基于分块）的局部稀疏性。每一个图像块独立编码，不考虑其他块。尽管如此，稀疏编码系数(不是随机分布的，因为图像局部分块是非局部相关的。非局部平均值（NLM）方法，其目的是利用图像非局部冗余，已经成功地运用在许多图像处理应用中，特别是在去噪方面【6】。这意味着可以利用图像的非局部相似性来减少SCN，因此，复原图像的质量可以得到改善。事实上，最近的一些研究工作，比如【10】和【20】，都是基于这样的考虑的。例如，在【20】中提出了一组能够同时编码相似的块的稀疏编码方案，并取得了很好的去噪效果。 在本文中，我们提出了一个能够有效减少SCN的集中系数表示（CSR）模型，从而提高了基于稀疏的IR性能。其基本思想是将图像的局部稀疏约束（即一个局部块可以被一些从一个字典稀疏选择的原子进行编码）和集中稀疏约束（即稀疏编码系数应该接近其平均值）整合到一个统一的变化的优化框架中。具体而言，除了要求每个局部块的编码系数是稀疏的之外，我们也通过利用非局部相似性引起的稀疏性来强制让稀疏编码系数具有小的SCN，这一点可以用|1 范数来表示其特征。通过进行大量的IR实验，实验结果表明，所推荐的CSR算法明显优于许多最顶尖的IR方法。 2、集中稀疏表示模型 2.1 图像恢复的稀疏编码噪音 按照【16】中所用的符号，我们用x∈RN 表示原始图像，用xi=xRi表示在一个大小为×的图像块中位置为