MCA总结稀疏

本文探讨了基于形态分量分析(MCA)的图像超分辨率重建技术,介绍了MCA在图像分解中的优势,如结构、纹理自适应处理和噪声分离。项目旨在研究不同基函数系统的稀疏性度量、非局部结构正则化和噪声先验模型,提出超分辨重建的多步迭代算法,以解决图像放大、去噪、去模糊等问题。
摘要由CSDN通过智能技术生成

基于形态分量分析的图像超分辨重建理论与算法超分辨率重建(super-resolution reconstruction) 是一种由一序列低分辨率退化图像重建一幅(或序列)高分辨率清晰图像的第二代复原技术[1]。

 

超分辨率重建技术综合考虑成像过程中诸如运动变形、光学模糊、低采样率、随机噪声等等各种退化因素,在航空成像、遥感成像、医学成像、层析成像等众多领域具有广泛应用前景。

从数学的角度看,图像超分辨率重建是Hardmard 意义下的非适定数学反问题,因此成为图像处理、计算机视觉和计算调和分析等多学科领域国际上众多研究者关注的热点问题。

迄今为止,人们已经提出图像超分辨率重建的许多算法。但是如何进一步刻画图像的边缘结构、纹理等图像中重要视觉特征,提高图像超分辨算法对图像不同视觉特征的保持能力,解决超分辨问题的不适定性有待深入研究。

图像超分辨是包含图像去噪、去模糊、去马赛克、图像放大等的组合问题,

 

图像形态分量分析(MCA- Morphological Component Analysis)通过结合图像的稀疏表示(Sparce representation)理论和变分方法进行图像分解,在图像超分辨应用中具有潜在优势:

 

1)MCA通过分类稀疏表示字典将图像分解为“几何结构分量”、“振荡或纹理分量”、“噪声分量”,提供了良好的图像结构、纹理自适应处理和噪声分离机制;

 

2)MCA继承了过完备稀疏表示与信号重建的优异性能,能够以最少的原子捕获图像中的高维奇异性特征。而这种捕获和跟踪机制是旋转、平移和伸缩不变的,因此对于超分辨重建的运动变形、光学模糊,低采样率的处理非常方便;

 

3)MCA在稀疏表示的基础上,继承了图像几何正则化变分方法的优点,理论上为图像超分辨提供统一的变分框架。因此 MCA 理论为图像超分辨率复原提供了新的契机和研究思路。

基于上述学术思想,本项目旨在通过不同基函数系统或过完备字典对图像形态分量的统计不相干性和稀疏性的研究,建立符合类内强稀疏而类间强不相干的几何结构和纹理分量稀疏表示子字典,提出更广义MCA框架下的稀疏性度量、非局部结构正则化和噪声先验度量模型,并在凸分析和稳健统计学思想下,提出MCA框架下联合处理图像放大、去噪、去模糊、去马赛克效应的超分辨重建模型,通过子空间投影和迭代收缩方法提出超分辨率重建的多步迭代算法。

本项目对于推动超分辩重建、图像理解、稀疏表示理论等发展都有重要意义。

 

 1.2 国内外研究现状及分析 MCA方法是国际著名学者J.

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值