面向圖像恢復(fù)和識(shí)別的稀疏表示方法研究.pdf

1、稀疏表示是一種有效的信號(hào)表示理論，它通過模擬哺乳動(dòng)物大腦皮層的編碼機(jī)制，將信號(hào)表示為字典中少數(shù)原子的線性組合。這些原子及其相應(yīng)的稀疏系數(shù)能揭示信號(hào)的本質(zhì)特征和內(nèi)在結(jié)構(gòu)。近年來，稀疏表示理論及其應(yīng)用受到國內(nèi)外科研工作者的廣泛關(guān)注，是當(dāng)前圖像處理、計(jì)算機(jī)視覺、模式識(shí)別等領(lǐng)域的研究熱點(diǎn)與難點(diǎn)。本論文將主要圍繞稀疏表示的兩大核心問題—稀疏分解和字典構(gòu)建，及其在圖像恢復(fù)和識(shí)別中的應(yīng)用開展研究。
　　本論文的主要研究成果如下：
　　1.

2、面向圖像去噪的隨機(jī)精化稀疏分解
　　傳統(tǒng)基于稀疏分解的圖像去噪方法尋求噪聲圖像最稀疏的系數(shù)來逼近無噪聲圖像，而最稀疏系數(shù)的求解是一個(gè)非確定性多項(xiàng)式困難(Non-deterministic Polynomial-time Hard，NP-hard)問題，難以精確求解。針對(duì)此問題，提出基于(Minimum Mean Squared Error，MMSE)估計(jì)理論的稀疏分解算法，它能隨機(jī)求解多個(gè)稀疏系數(shù)來逼近MMSE，從而獲得對(duì)無噪聲圖

3、像更優(yōu)的估計(jì)。此外，還引入多原子選擇機(jī)制來降低算法迭代次數(shù)，并采用錯(cuò)誤發(fā)現(xiàn)率策略(False Discoveray Rate，F(xiàn)DR)來精化隨機(jī)產(chǎn)生的稀疏系數(shù)，以提高求解準(zhǔn)確率。相比于經(jīng)典的正交匹配追蹤算法，所提出方法在高噪聲仿真信號(hào)上的重構(gòu)精度提升10％，并減少4倍的迭代次數(shù)。
　　2.面向醫(yī)學(xué)圖像去噪的結(jié)構(gòu)化稀疏字典構(gòu)建
　　常用稀疏字典構(gòu)建方法僅學(xué)習(xí)單一過完備字典對(duì)圖像進(jìn)行表示。過完備字典原子間存在較大冗余性，會(huì)降低稀

4、疏分解的精度和速度。同時(shí)，單一字典難以有效表示圖像中的復(fù)雜結(jié)構(gòu)信息。
　　針對(duì)過完備字典冗余度高的問題，首先采用聚類策略將字典劃分為多個(gè)子字典，以降低子字典間的冗余性，并設(shè)計(jì)多類追蹤和字典交替優(yōu)化更新的方法來提高字典訓(xùn)練速度。然后，針對(duì)三維醫(yī)學(xué)圖像去噪問題，提出了一種三維聯(lián)合結(jié)構(gòu)化字典構(gòu)建方法，它可同時(shí)利用醫(yī)學(xué)圖像層析間和層析內(nèi)的相關(guān)性，以提升去噪性能。與二維K-SVD字典構(gòu)建算法相比，所提出方法在三維醫(yī)學(xué)圖像去噪上的峰值信噪比（

5、Peak-Signal-Noise-Ratio，PSNR）提高了3dB。
　　針對(duì)單一字典表示能力弱的問題，提出多尺度結(jié)構(gòu)字典構(gòu)建算法。它能根據(jù)圖像中的多種結(jié)構(gòu)信息訓(xùn)練不同的結(jié)構(gòu)字典，并將多尺度幾何機(jī)理引入到結(jié)構(gòu)字典訓(xùn)練中，提升字典對(duì)微弱細(xì)節(jié)的表示能力。此外，針對(duì)醫(yī)學(xué)光學(xué)相干層析(Optical Coherence Tomography，OCT)圖像去噪問題，通過考慮OCT層析間的高相似性，提出從相鄰高分辨率層析圖像中訓(xùn)練多尺度結(jié)

6、構(gòu)字典的策略，進(jìn)而提高字典質(zhì)量。相比于當(dāng)前最好的BM3D去噪算法，所提出方法在OCT圖像去噪上的PSNR值平均提升了0.42dB。
　　3.面向OCT圖像同步去噪和超分辨率的半耦合雙稀疏字典構(gòu)建
　　由于OCT成像在光照強(qiáng)度和成像速度上的限制，通常僅能得到低信噪比、低分辨率的OCT圖像。為獲得高信噪比、高分辨率的OCT圖像，常用方法需分開進(jìn)行去噪和超分，易造成去噪過程產(chǎn)生的畸變信息在超分階段被放大。針對(duì)此問題，提出一種能同步

7、去噪和超分辨率的半耦合雙稀疏字典構(gòu)建方法。它先獲取大量相互匹配的高信噪比、高分辨和低信噪比、低分辨率訓(xùn)練數(shù)據(jù)，并從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)半耦合雙稀疏字典及對(duì)應(yīng)稀疏系數(shù)的映射方程。所訓(xùn)練的雙字典和映射方程能有效反映低信噪比、低分辨率和高信噪比、高分辨圖像空間的對(duì)應(yīng)關(guān)系，從而實(shí)現(xiàn)OCT圖像去噪和超分的同步完成。相比于Bioptigen公司原始OCT成像技術(shù)，所提出方法能采集速度提高4倍，同時(shí)能有效去除OCT圖像的噪聲。
　　4.面向OCT圖像

8、壓縮的3D自適應(yīng)稀疏分解
　　存儲(chǔ)和傳輸高空間和時(shí)間分辨率的OCT數(shù)據(jù)需要消耗大量的內(nèi)存和通信帶寬，給臨床數(shù)據(jù)的存儲(chǔ)和遠(yuǎn)程診斷帶來巨大的挑戰(zhàn)?，F(xiàn)有基于稀疏表示的圖像壓縮算
　　法僅針對(duì)2D圖像設(shè)計(jì)，并未考慮3D OCT圖像相鄰層析間的強(qiáng)相似性，因而壓縮性能受到局限。為進(jìn)一步提升目前稀疏表示方法對(duì)OCT圖像壓縮的性能，提出了一種3D自適應(yīng)稀疏求解算法。該算法不僅可充分利用OCT相鄰層析間的相關(guān)性來提升壓縮效率，同時(shí)也能反映OC

9、T層析間的差異性以很好保存層析間不同的結(jié)構(gòu)信息。此外，還設(shè)計(jì)了與求解算法相應(yīng)的3D自適應(yīng)稀疏系數(shù)編碼機(jī)制，以進(jìn)一步提升壓縮和恢復(fù)的有效性。相比于經(jīng)典的JPEG2000和MPEG4壓縮方法，在壓縮比為10到40的情形下，所提出方法能將恢復(fù)結(jié)果的平均PSNR值提升5dB。
　　5.面向高光譜圖像地物識(shí)別的多尺度自適應(yīng)稀疏分解和辨識(shí)性稀疏字典構(gòu)建
　　在高光譜圖像地物識(shí)別中，現(xiàn)有基于稀疏表示的識(shí)別方法僅利用單一固定尺度(大小)窗口

10、內(nèi)的空間和光譜信息進(jìn)行地物識(shí)別。但是，單一窗口尺度難以適應(yīng)高光譜圖像內(nèi)復(fù)雜的空間結(jié)構(gòu)信息。針對(duì)此問題，本文采用多尺度空間窗口，并提出了一種多尺度自適應(yīng)稀疏分解算法。此算法不僅充分利用不同尺度間的相關(guān)性，并考慮尺度間的差異性。相比于單一尺度的稀疏表示識(shí)別方法，所提出方法能將整體識(shí)別精度提升4.2%。
　　大多稀疏字典構(gòu)建方法側(cè)重于字典的表示能力，而忽略了字典的辨識(shí)能力。針對(duì)高光譜圖像分類問題，本文提出了一種高效的辨識(shí)性字典學(xué)習(xí)算法。

11、此方法在字典訓(xùn)練過程中充分利用了訓(xùn)練集和字典原子的類別信息，加速訓(xùn)練過程并提高字典的辨識(shí)能力。此外，結(jié)合辨識(shí)性字典學(xué)習(xí)算法，還設(shè)計(jì)了一種基于超像素的辨識(shí)性稀疏模型。不同于以往基于單一光譜像素的識(shí)別方法，本文方法可同時(shí)對(duì)由多個(gè)相似光譜像素組成的超像素進(jìn)行識(shí)別。相比于基于單一光譜像素的稀疏表示識(shí)別方法，所提出方法能將識(shí)別速度提高10倍的情況下，仍將整體識(shí)別精度提升3.8%。
　　6.面向人臉識(shí)別的多任務(wù)自適應(yīng)稀疏分解
　　Gab

12、or變換可提取人臉的重要方向和尺度特征，被廣泛應(yīng)用于人臉識(shí)別中。傳統(tǒng)基于Gabor特征的稀疏表示識(shí)別方法簡單地將Gabor不同方向和尺度的特征拼接成單一列向量進(jìn)行處理，難以利用特征間的相關(guān)信息。針對(duì)Gabor特征有效利用問題，本文將不同方向和尺度特征的識(shí)別分別當(dāng)作不同的任務(wù)，提出了多任務(wù)自適應(yīng)稀疏分解算法。此方法可充分利用不同特征間的互補(bǔ)性和相關(guān)性。此外，本文還設(shè)計(jì)了基于區(qū)域級(jí)Gabor特征的識(shí)別方法，并通過考慮人臉的結(jié)構(gòu)特性和外界影響