基于学习的压缩图像恢复方法.

基于学习的压缩图像恢复方法

英文题名 Learning-Based Restoratioin for Compressed

Images 关键词图像恢复; 块效应; 马尔科夫随机场; 稀疏编码; 专家场; K-SVD; 英文关键词 Image restoration; Blocking artifact; Markov Random Field; Sparse Coding; Field of Experts; K-SVD; 中文摘要随着数字化多媒体技术的迅速发展,人们对各种数字图像的需求日益增长。由于图像具有信息量巨大的特点,因此在传输、存储前需要对其进行数据压缩。在目前主流的视频和图像编码标准中广泛使用以去除图像中的冗余信息为目的的块级离散余弦变换压缩编码技术。然而为了达到高压缩率,离散余弦变换和随后的量化过程会导致原始信息过多的损失,从而引起相邻图像块亮度不一致的问题,人们称之为块效应;另外,由于量化会导致图像中高频信息的丢失,从而会在图像内容的边缘处产生振铃效应。这样,无论是图像的主观质量,或是客观质量都受到较大的损失,很难满足人眼对图像质量的要求,所以,人们迫切需要一些高效的针对压缩图像的后处理方法。本文以提高数字图像的主观视觉质量为目的,对去块效应算法进行了较深入的研究。提出了两种基于学习的压缩图像后处理算法,有效地去除了块效应、较好地提高图像了的主观视觉质量。 (一)基于专家场的压缩图像恢复:该方法将目前很流行的稀疏编码概念同马尔科夫随机场结合起来。一方面,从一组自然图像中学习图像的先验知识,并将其表示成基于专家场模型的高阶马尔科夫随机场的形式;另一方面,根据压缩图像量化噪声的特点,用加性高斯噪声模型表示这... 英文摘要 With the rapid development of the digital multimedia technology, there is a variety of growing demand for the digital image. Since 摘要 4-5 Abstract 5-6 第1章绪论 9-

15 1.1 图像恢复技术 10 1.2 图像恢复的研究意义 10-

11 1.3 图像退化/恢复过程的模型 11-13 1.4 本文研究要点

13 1.5 论文各部分主要内容 13-15 第2章压缩图像的恢复方法 15-24 2.1 引言 15-16 2.2 压缩图像退化模型 16 2.3 JPEG 压缩编码介绍 16-20 2.3.1 JPEG 编码方法 17-

18 2.3.2 离散余弦变换及量化的数学描述 18-20 2.4 常见的压缩图像去噪方法 20-23 2.4.1 在变换域或空域的噪声消除 21 2.4.2 基于凸集投影理论的方法 21-

22 2.4.3 基于学习的图像恢复方法 22-23 2.5 本章小结 23-24 第3章基于专家场的压缩图像恢复 24-40 3.1 引言 24-25 3.2 研究现状 25-26 3.3 基于专家场的图像先验知识表示26-30 3.3.1 专家积模型的数学描述 26-

27 3.3.2 专家场模型的数学描述 27-

29 3.3.3 专家场参数学习方法 29-30 3.4 JPEG 压缩图像的量化噪声模型 30-31 3.5 最大后验概率估计方法 31-

33 3.6 实验结果 33-38 3.6.1 图像客观质量对比结果 33-35 3.6.2 图像主观质量对比结果 35-38 3.7 本章小结 38-40 第4章基于K-SVD 的压缩图像恢复方法 40-56 4.1 引言 40-41 4.2 稀疏编码理论介绍 41-42 4.2.1 稀疏编码理论的研究现状 41 4.2.2 稀疏编码的数学描述 41-

42 4.3 追踪算法 42-43 4.4 K-SVD 图像表示方法 43-

47 4.4.1 K 均值聚类算法 43 4.4.2 K-SVD 算法 43-46 4.4.3 K-SVD 算法存在的问题及解决方法 46-

47 4.5 采用K-SVD 方法恢复压缩图像 47-50 4.5.1 完整图像的表示方法 47-48 4.5.2 图像恢复过程 48-

50 4.6 实验结果 50-55 4.6.1 参数设置 50-

51 4.6.2 实验结果 51-55 4.7 本章小结 55-56 结论56-57 参考文献 57-61 4.2 稀疏编码理论介绍 41-

42 4.2.1 稀疏编码理论的研究现状

41 4.2.2 稀疏编码的数学描述 41-42 4.3 追踪算法42-43 4.4 K-SVD 图像表示方法 43-47 4.4.1 K 均值聚类算法 43 4.4.2 K-SVD 算法 43-

46 4.4.3 K-SVD 算法存在的问题及解决方法 46-

47 4.5 采用K-SVD 方法恢复压缩图像 47-50 4.5.1 完整图像的表示方法 47-48 4.5.2 图像恢复过程 48-

50 4.6 实验结果 50-55 4.6.1 参数设置 50-

51 4.6.2 实验结果 51-55 4.7 本章小结 55-56 结论56-57 参考文献 57-61 4.2 稀疏编码理论介绍 41-

42 4.2.1 稀疏编码理论的研究现状

41 4.2.2 稀疏编码的数学描述 41-42 4.3 追踪算法42-43 4.4 K-SVD 图像表示方法 43-47 4.4.1 K 均值聚类算法 43 4.4.2 K-SVD 算法 43-

46 4.4.3 K-SVD 算法存在的问题及解决方法 46-

47 4.5 采用K-SVD 方法恢复压缩图像 47-50 4.5.1 完整图像的表示方法 47-48 4.5.2 图像恢复过程 48-

50 4.6 实验结果 50-55 4.6.1 参数设置 50-

51 4.6.2 实验结果 51-55 4.7 本章小结 55-56 结论56-57 参考文献 57-61