基于边缘保持MRF的去噪方法研究

论文摘要

图像去噪是图像处理中的重要环节,其结果的好坏直接影响着后续工作。目前很多去噪方法在去除噪声的同时,损失了图像的很多边缘等结构信息,导致去噪结果中边缘的模糊。因此,如何在去除噪声的同时能更好地保持边缘等结构信息是图像去噪的重点研究方向。基于马尔可夫场(Markov Random Field, MRF)模型的去噪方法将去噪转化为由噪声图像和MRF模型估计原始图像的过程。为了达到边缘保持的目的,该方法的关键在于确立能够准确描述图像边缘特性的MRF模型。本文在详细分析了MRF去噪模型的基础上,通过结合边缘检测和区域分割建立了两种边缘保持MRF模型。所做的主要工作如下：1、研究提出了一种结合边缘检测的MRF去噪算法。该算法将边缘检测与去噪交互迭代进行,由边缘检测结果指导模型的设计。相比于传统边缘保持MRF模型,该模型不仅能描述边缘的灰度突变特性,同时能描述边缘的连续性。2、研究提出了一种结合区域分割的MRF去噪算法。该算法将相邻像素是否位于边缘处与它们是否属于不同区域联系起来,通过结合区域分割知识对像素点的边缘属性进行概率分析,从而能更准确地判别边缘,降低边缘处相邻像素的相互影响。上述两种MRF去噪算法是在传统模型的基础上,分别通过结合边缘检测和区域分割提高对图像边缘的判别能力,从而达到保持图像边缘的目的。实验结果表明本文提出的两种算法在图像噪声的去除上,尤其是对边缘的保持上具有明显的优势,验证了本文方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 致谢
• 第一章 绪论
• 1.1 引言
• 1.2 图像噪声和去噪方法
• 1.3 MRF去噪方法研究现状
• 1.4 本文研究内容及创新点
• 1.5 本文内容安排
• 第二章 MRF去噪方法介绍
• 2.1 MAP-MRF去噪框架
• 2.1.1 基于优化的图像处理方法
• 2.1.2 MAP
• 2.1.3 MAP-MRF去噪框架
• 2.2 MRF的数学模型
• 2.2.1 邻域和基团
• 2.2.2 MRF
• 2.2.3 MRF与吉布斯分布等效性
• 2.3 图像处理中常用MRF模型
• 2.3.1 Auto模型
• 2.3.2 MLL模型
• 2.3.3 FRAME模型
• 2.3.4 分级二层模型
• 2.4 MRF去噪模型分析
• 2.4.1 平滑先验知识与正则化
• 2.4.2 一般MRF去噪模型分析
• 2.4.3 其他MRF去噪模型
• 2.5 优化算法
• 2.5.1 ICM算法
• 2.5.2 SA算法
• 2.6 本章小结
• 第三章 结合边缘检测MRF去噪算法
• 3.1 传统边缘保持MRF模型分析
• 3.2 边缘特性分析与新模型的提出
• 3.3 结合边缘检测MRF去噪算法
• 3.3.1 边缘检测
• 3.3.2 结合边缘检测MRF模型
• 3.3.3 同步迭代优化算法
• 3.3.4 参数估计
• 3.3.5 算法流程
• 3.4 实验评价及分析
• 3.4.1 图像去噪评价指标
• 3.4.2 实验结果及分析
• 3.5 本章小结
• 第四章 结合区域分割MRF去噪算法
• 4.1 分割与MRF去噪
• 4.2 结合区域分割MRF去噪算法
• 4.2.1 结合区域分割MRF模型
• 4.2.2 参数估计
• 4.2.3 方法流程
• 4.3 实验结果及分析
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 全文总结
• 5.2 后续展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 攻读硕士学位期间从事的科研项目