基于低秩表征学习的图像恢复方法研究.pdfVIP

摘要

摘要

随着计算机数字技术的飞速发展，图像的采集也变得十分便捷。然而，由于受

到图像设备、成像环境等各种因素的限制,在采集过程中图像往往出现各种形式的

退化，这不仅会使得图像降低清晰度和完整度，也严重影响了后续应用的实用价

值。图像修复旨在从退化图像中还原出清晰完整的图像，这是当前计算机科学交

叉研究领域的焦点之一，也是一项极具挑战性的任务。本文从高维数据表征、先

验知识刻画、融合深度学习框架等角度出发，研究基于低秩表征学习的图像恢复

方法，设计相应图像复原模型和求解算法，提升模型的恢复性能，具体研究内容如

下：

针对现有大多数模型对于张量秩的刻画可能会得到次优解的问题，提出了基

于非对称全变差和小波紧框架变换的非凸低秩张量补全模型。利用非凸罚函数作

为正则化项，通过很好地逼近framelet变换域中的张量秩，显著捕获了张量数据的

低秩属性。同时，framelet变换引入冗余使得张量秩更小，进一步提高了图像恢复

的准确性。此外模型采用非对称三维全变差可以有效地重建局部细节信息，使得

算法在获得清晰的整体结果的同时，能够保留更清晰的局部结果。通过灵活的正

则项，旨在提高对图像特征的敏感性，更全面地捕捉图像中的结构信息。实验数

据表明所提出模型有效克服传统方法在处理复杂结构图像时的局限性。

针对张量奇异值分解需要计算多个切片的奇异值分解，计算成本较高的问题，

提出了基于张量分解的新型动态核磁共振图像重建方法。通过基于张量QatarRiyal

分解的三因子分解方法，获取一个比原始张量维度更小的下三角张量作为张量核

范数最小化的优化目标，从而重建全局结构。同时考虑到细节变化对于医疗判断

的重要性，引入了非对称全变差来捕获局部细节的缓慢变化，进一步提高了对动

态动态磁共振图像数据的重建效果。通过实验表明，所提出方法优于现有动态核

磁共振图像方法，在数值指标和视觉效果上均有明显提升。

为了探索对图像数据更有效的表示，提出了基于深度先验和低秩四元数表征

的彩色图像恢复模型。通过突破现有低秩张量表示方法的表达能力限制，研究设

计了更为灵活且适应性强的表示方法，充分利用了深度即插即用先验和四元数表

示的互补优势，以更好地应对不同类型的图像复原问题。相较于现有方法，所提

出模型不仅可以整体地处理三个颜色通道，还通过深度先验保留了彩色图像的结

构特征。即插即用框架下的深度降噪器的作用使得该模型保留了更多的图像细节。

之后在彩色图像去噪和彩色图像修复应用中验证了所提出模型的有效性。

关键词：图像恢复；低秩表征；不对称全变分；即插即用

-I-

Abstract

Abstract

Withtherapidadvancementofcomputerdigitaltechnology,imageacquisitionhas

becomehighlyconvenient.However,variousformsofdegradationoftenoccurinimages

duringtheacquisitionprocessduetofactorssuchasimagingdevicesandenvironmen-

talconditions.Thesedegradationsnotonlyleadtoareductioninimageclarityandin-

tegritybutalsosignificantlyimpactthepracticalvalueofsubsequentapplications.Image

restorationaimstorecoverclearandcompleteimagesfromdegradedones,makingita

focalpointinthecurrentinterdisciplinaryresearchfieldofcomputerscience.Itposesa

highlycha