多尺度变换域图像反卷积理论研究-仪器科学与技术专业论文.docx

Classified Index：TN911 U.D.C：621.3 Dissertation for the Doctoral Degree in Engineering STUDY OF IMAGE DECONVOLUTION THEORY IN MULTISCALE TRANSFORM-DOMAIN Candidate: Lou Shuai Supervisor: Prof. Ding Zhen-Liang Academic Degree Applied for: Doctor of Engineering Speciality: Instrumentation Science and Technology Affiliation: Department of Automatic Test and Control Date of Defence: October, 2009 Degree-Conferring-Institution: Harbin Institute of Technology 摘 摘 要 哈尔滨工业大学工学博士学位论文 哈尔滨工业大学工学博士学位论文 - - I - - - PAGE VIII - 摘 要 在实际应用中，数字图像往往会在诸多模糊和噪声因素的影响下变成质量 下降的退化图像。而在许多应用领域中，需要的是清晰、高质量的图像，因此， 如何提高退化图像的质量是一项具有重要意义的研究。图像反卷积技术作为这 一领域众多研究方向中(如图像复原、超分辨率重建等)的一项核心技术，具有 重要的科学意义和应用价值。 目前，图像反卷积技术研究的重点是如何在克服问题病态性的同时获得清 晰的边缘和细节信息。图像在变换域中往往表现出其在空间域所无法获得的特 性。在反卷积问题中利用这些特性，可以获得优于传统方法的结果。本文对多 尺度变换域中的图像反卷积技术进行了深入的研究，主要工作如下： 1. 在基于小波域统计模型的图像反卷积算法方面，针对目前基于小波域隐 Markov 树(HMT)模型的图像反卷积算法模型训练不准确以及运算效率较低的 问题，提出了一种改进算法。该算法使用 Fourier-平稳小波规整化对退化图像 进行预处理，并在预处理图像基础上建立统计模型，将其作为原始图像的先验 知识，通过 MAP 方法对图像进行反卷积，无需循环地进行训练。另外，提出 使用小波域背景隐 Markov 树(CHMT)模型代替原模型，加强了尺度内小波系数 的相关性描述，以进一步提高了先验知识的精确程度，从而加强了反卷积算法 对图像边缘的复原能力。 2. 对基于 Hopfield 神经网络的图像反卷积算法进行了研究，针对目前该类 算法对图像细节复原能力不足的问题，将小波域统计模型引入到神经网络框架 下，使两者的优点相结合，利用 Hopfield 神经网络自身的优化能力完成反卷积。 并且针对网络权值矩阵求取困难的问题，提出一种高度并行的权值矩阵求取算 法，仅通过快速 Fourier 变换和小波变换算法即可实现，具有较高的运算效率。 3. 在利用小波变换表示二维图像时，其对图像中方向性信息的表现能力有 限，在小波域进行图像反卷积时同样面临着这样的问题。因此，本文在其它变 换域对图像反卷积问题进行了研究，提出一种 Contourlet 域的图像反卷积算法。 Contourlet 变换是一种同时具有多尺度性多方向性的图像变换方法，与传统的 二维可分离小波变换相比，Contourlet 变换能够更有效地表示图像中的轮廓和 纹理。该算法以边界优化算法为基础，在 Contourlet 域迭代进行，对图像轮廓 和纹理的恢复能力要优于同类小波域算法。 关键词：图像反卷积；图像复原；小波域隐 Markov 树模型；Hopfield 神经网络； Contourlet 变换 Abs Abstract 哈尔滨工业大学工学博士学位论文 哈尔滨工业大学工学博士学位论文 - - III - - - PAGE IV - Abstract In the practical applications, the digital images are always degraded by many blurred and noisy factors. But in many situations, the clear and high-quality images are required, so how to improve the quality of degraded images is an important research. The technology of image deconvolution is the key technology of