基于稀疏性的视频降噪算法分析及应用-analysis and application of video denoising algorithm based on sparsity.docxVIP

Submitted in total ful?lment of the requirements for the degree of Master Information and Communication EngineeringSparsity-based video denoise algorithm and applicationX?????? L??SupervisorProf. X?????? J????D????? ?? , S????? ?? I?????????? S??????? E?????????? S??????? J??? T??? U?????????S???????, P.R.C????Jan, 2015上海交通大学硕士学位论文摘要基于稀疏性的视频降噪算法研究及应用摘要降噪一直是图像视频领域的一个重要研究方向，随着稀疏性理论的发展， 应用于图像视频的降噪方法逐渐从简单的滤波器逐渐向基于稀疏性的降噪方法 发展。目前比较公认的前沿算法包括：基于块匹配方式的降噪方式，这种方式 基于图像、视频具有帧间、帧内的高自相似性的稀疏特性来进行降噪；另一个 方向是基于压缩感知稀疏理论的降噪，这种方法设计最小化问题来提高图像的 稀疏性，从而降低图像的噪声。本文从基于块匹配稀疏性和基于压缩感知稀疏 性两个方面分别提出了新的降噪算法。从基于块匹配稀疏性的角度，本文提出了一个针对不同数据类型的降噪模 型。第一，针对视频降噪，提出了 OL-BM4D 降噪框架，该框架基于鲁棒性光 流校正算法，将四维块匹配降噪算法改进使之能够解决视频降噪问题。第二， 针对四维医学数据（如 4D-CT、4D-MRI），提出了 BM5D 降噪框架，该算法将 块匹配算法改进后使其适应于四维数据降噪，并且通过使用方差稳定算法，解 决医学数据混入的莱斯噪声的方差不稳定的特殊性使其难以被降噪的问题。从基于压缩感知稀疏性的角度，本文提出了针对 OCT 图像的基于三维相 关度聚类的压缩感知稀疏性降噪算法。该算法使用字典算法和光流特征进行三 个维度上的聚类，通过使用最优化算法提高图像块的稀疏性来达到降低噪声的 目的，在求解三维相关度聚类最优化问题的时候将问题简化为三项 L1 最小化 问题，并提出了使用替代函数迭代收缩法来解三项 L1 最小化问题的方法；在 此基础上基于噪声估计改进针对 OCT 图像的阴影补偿算法，使其能够适应在 噪声均值不为 0 情况下的补偿。在降噪补偿结果的基础上还提出了利用前景背 景分割算法实现的脉络膜上腔分割，证明其在医学图像中具有应用前景。关键词： 降噪,鲁棒性光流,稀疏性,块匹配,压缩感知 理论i —上海交通大学硕士学位论文ABSTRACTSparsity-based video denoise algorithm and applicationABSTRACTDenoising is one of the very important research areas for image/video process- ing. Following the development of sparsity theory, the method designed for denoising develops from simple denoising ?lters to sparsity based methods. Nowadays, cutting edge methods include: methods based on patch matching-these methods base on the self-similar characteristic of images/videos in and between frames; methods developed from compressive sensing theory- these methods are designed according to the design of minimization problems to optimize the sparsity of images.In the process of research of denoising methods based on patch matching, denois- ing models for di?erent kinds of data are proposed. First of all, for the denoising task of video data, a framework called OL-BM4D is introduced. This framework vari