基于非参数集成卡尔曼方法动态纹理修复研究.pdfVIP

用于噪声动态纹理修复的非参数集成卡尔曼方法

RedouaneLguensat,PierreTandeo,RonanFablet皮埃尔·艾利奥特

法国布雷斯特电信布列塔尼CNRSUMR法国布雷斯特列塔尼大学

6285Lab‑STICC，InstitutCNRSUMR6205LMBA

Mines‑Telecom；

其中H是表示掩码的观子（0表示数据不可用，

在本研究中，我们提出了一种新颖的非参数方法，用于1表示存在），是一个随机扰动项，用于考虑观测建

实现动态纹理序列在时间上一致性的修复。纹理模误差、噪声及其他不确定性。这些测量值是

图像序列的修复问题表述为一个随机同化问题，并引入了关于序列x(t)的信息之一。

一种新的无模型、数据驱动的集成卡尔曼方法。我们的模

型受模拟集成卡尔曼滤波器（AnEnKF）的在经典的贝叶斯状态空间框架下（REF），关于该

启发，该方法用于地球时空动力学的同化，其中序列的第二个信息是由控制DT随时间演化的动态模

模型被统计模拟或邻方法所替代。这种非参数框架对型的：

于图像处理应用具有重要意义，因为在实际中通常难以获x(t)=M(x(t))+η(t)(2)

k+1kk

得先验模型。我们通过动态纹理的实验验证，仅使用其中M表示动态模型，η表示代表连续两个时刻之

数据构建的目录数据库，且不假设任何模型的情况

间模型不确定性的随机噪声。状态空间模型（1）‑（2）

下，所方法能够合理且动态一致的插值结果，

的数学求解问题在地球科学界被称为数据同化，或更普

并优于传统的参数化（自回归）动力先验方法。称为随机滤波。

索引术语—数据同化，动态纹理，修复，集合卡尔

曼滤波，邻，数据挖掘。在此，我们关注一种灵活且高效的序列蒙特卡洛技术：

集合卡尔曼方法（参见[2]以获取广泛使用的数据同化方法

综述）。在其经典形式中，该方法按如下顺序进行。首先

1.引言

在每个时间步上运行式(2)中给出的动力模型M，以模拟对

我们关注的是动态纹理（DTs）的分析，动态纹理可以应于一组代表性预测场景的集合成员。第二步是根据各个成

被定义为由重复时空模式表征的图像序列。动态纹理的员与新观测值的一致性对其重新加权。这种经典设定要求已

示例包括海浪、火焰、飘动的旗帜等。感的读者可知动力模型，这在某些情况下可能较为复杂，尤其是对于视

以参考[1]及其所附文献以了解DTs的特征和示例。觉图像序列，因为这类序列通常无法推导出类似流体动力学

的解释。相比之下，我们采用了一种新的数据驱动方法，该

的研究主要集中在DT建模、合成和识别方面。本文中，