2026《图像的先验模型分析》10000字.docxVIP

PAGE55

图像的先验模型分析

目录

TOC\o1-3\h\u32731图像的先验模型分析 1

65401.1局部平滑模型 2

22891.2非局部自相似模型 4

266291.3低秩表示模型 6

232741.4稀疏表示模型 8

189561.5深度学习模型 11

单幅深度图像修复就是由已知的观测深度图像重建出信息完整的图像的过程。数学表达式如公式(2-3)所示。

(2-3)

由于修复中的二值退化算子经常是奇异的，所以，公式(2-2)的求解结果大多不唯一。因此，需要加入合适的正则项进行约束求解，则可使修复问题由不适定变为适定。则公式(2-3)可转为公式(2-4)所示：

(2-4)

上式中，第一项为数据精度项，保证所求的解依赖于原始数据。第二项为正则化约束项，保证求解的稳定。表示正则化参数，用于平衡前两项。此公式表示修复的实质是通过合适的正则化约束项进行图像的准确描述。

从视觉心理学的理论出发，针对待修复深度图像，提出多种假设，保证修复可靠，满足主观视觉需要。从数学基本理论出发，单幅深度图像修复就是根据图像中未丢失的信息来填“黑洞”区域的信息。

公式(2-3)到公式(2-4)转化整体表达直观，便于大家理解。接下来，我们从贝叶斯方法的相关数学理论入手，进行严谨的推导。基于最大后验概率估计定理，可将公式(2-3)转化为以下形式，数学表达式如公式(2-5)所示。

(2-5)

上式中，的含义是概率分布；代表先验信息的概率分布；表示条件概率密度函数。其具体定义如下所示：

(2-6)

(2-7)

则公式(2-5)和(2-6)代入公式(2-7)，通过最大后验概率估计定理，单幅深度图像修复问题可推广为公式(2-8)所示。

(2-8)

综上，2个不同的数学理论基础的正则化方法与贝叶斯方法的相互转换，说明了单幅深度图像修复的实质。正则化约束项即先验在深度图像的修复方法中具有举足轻重的地位，可将修复问题由不适定的逆问题转化为适定的问题，从而约束求解，获得主观视觉和客观参数均满意的修复后的深度图像。

目前，图像的先验模型广泛应用于图像降噪的处理中。先验模型不仅对深度图像的修复有至关重要的作用，也可推广到图像去模糊以及图像分辨率增强等领域。图像的先验模型同样也是图像处理和计算机视觉的研究热点。目前，常用的图像先验模型包括以下几项[26，27，51]：

局部平滑模型

非局部自相似模型

低秩表示模型

稀疏表示模型

深度学习模型

1.1局部平滑模型

深度图像可看作无纹理的自然图像[48]，由多数相似平坦区域和少数的边缘区域构成。因此，深度图像具有图像的局部平滑特征，即相邻区域的像素值一致。局部平滑模型表示基于图像的局部区域稳定出现的像素点的特征进行建模。

目前，常见的模型有基于全变分方法模型[59-60]，基于马尔科夫随机场模型[61]，基于自回归模型[62-63]和核回归模型[64-65]等。

基于TV方法模型的实质是将图像看作空间函数，利用空间函数的性质设计能量泛函，利用泛函求极值来完成图像修复任务。此模型最早由Rudin，Osher和Fatemin三位联合提出并应用于图像去噪，然后推广到图像去模糊、图像修复等相关领域。图像的局部平滑转化为该模型的约束条件：有界变分。常见的离散TV模型数学表达式如公式(2-9)和(2-10)所示：

(2-9)

(2-10)

其中，表示水平方向的一阶差分算子，表示垂直方向的一阶差分算子。公式(2-9)表示各向同性全变分，公式(2-10)表示各向异性全变分。离散的TV模型可有效的保持修复图像的边缘性。

基于马尔科夫随机场模型是基于图像中的任何一个像素点及其邻域的像素点集的条件分布来有效描述图像的局部平滑特征来完成图像修复任务。此模型最早由Besag提出用于图像处理中。具体描述为：若选取尺寸大小为的图像，取其中一个像素点，为随机变量。那么，在像素点的邻域可形成离散随机场，即。因此，整幅图像可看作离散随机场。每一个像素点和它有关的离散随机场都有关系，与离散随机场中的像素有关。Gibbs分布形式简洁，因此，Besag采用像素点和离散随机场中像素点的关系，形成基于马尔科夫随机场模型的先验。

基于自回归模型是通过预测系数来实现对图像的恢复，是基于高斯-马尔科夫随机场模型的特例。基于核回归模型是非参数回归方法，拟合一个多项式，使得多项式尽可能拟合相邻像素点，达到修复的目的。同样也