基于块匹配的图像去噪和超分辨率重建算法研究

《基于块匹配的图像去噪和超分辨率重建算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于块匹配的图像去噪和超分辨率重建算法研究ResearchonBlockMatchingBasedImageDenoisingandSuper-resolutionReconstructionAlgorithm学21009071大连理工大学DalianUniversityofTechnology大连理工大学学位论文独创性声明作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的

2、贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文题目：』釜王堕夔叠蛰睑因霹逢蟛b碴盔躏浏孥p良套缰滓哦作者签名：垂凯日期：翌堡年’_L月』一日大连理工大学硕士学位论文摘要图像信息是人类获取信息的主要途径之一，因此图像质量的好坏直接影响到人类提取信息的准确程度。由于外界环境的影响及图像获取设备自身成像质量等原因，我们获取的图像往往有许多不如人意之处，如图像混入了噪声、图像分辨率太低等。本文的研究内容是抑制图像噪声，增加图像分辨率，以增强图像的视觉效果。噪声是影响图像质量的主要因素之一。目前，公认最好的去噪算法是基于非局部块匹配的三维联合滤波

3、(BM3D)算法，能够在去除噪声的同时较好的保留图像细节，但该算法只适合去除高斯白噪声，无法对脉冲噪声及混合噪声进行有效的抑制。近年来，稀疏表达和低秩恢复理论在图像处理上得到广泛应用，其中联合稀疏表达和低秩恢复理论开始引入到图像去噪处理中，在处理脉冲噪声时取得了较好的效果。实际图像中往往同时混入了高斯噪声和脉冲噪声，但现有的去噪算法大多是针对单一的高斯噪声或脉冲噪声，在处理混合噪声时效果不佳。本文提出了联合三维协同滤波和低秩矩阵恢复的图像去噪算法，在处理混合噪声时取得了良好的效果。图像分辨率不足也是阻碍人们对图像信息获取的一个主要因素。图像序列的超分辨率重建算法能够利用序列图像的时

4、域冗余性重建出高质量的高分辨率图像，但传统的超分辨率重建算法通常假设低分辨率图像之间只存在简单的全局运动，这大大限制了超分辨率重建在实际中的应用。EladM等人受非局部型块匹配思想的启发，提出了新的超分辨率重建算法，使得超分辨率算法不再局限于全局运动的假设，而是每一个局部点都可以有自己不同的运动状态，成为当前最好的超分辨率重建算法之一。和基于块匹配的图像去噪算法一样，基于块匹配的超分辨率重建算法也存在计算量大耗时长的问题，本文研究了如何对块匹配算法进行优化提高效率，同时通过GPU编程，实现了去噪算法和超分辨率重建算法的并行化，大幅提高了程序的运行速度，增强了算法的实用性。关键词：图

5、像去噪；超分辨率重建；块匹配；三维协同滤波；低秩恢复ResearchonBlockMatchingBasedImageDenoisingandSuper-resolutionReconstructionAlgorithmAbstractThequalityofimageisveryimportantbecauseimageisoneofthemainsourcesforhumanbeingstoobtaininformation．However,therearealwayssomedefectsonimagesduetotheexternalenvironmentorimageca

6、pturingdevices．NoiseandlOWresolutionaretwoofmanyfactorstoaffectourvisualperception．TmSpaperiSdedicatedtosuppressimagenoise，increasetheimageresolutionSOastoimprovethequalityoftheimage．Asfarasisknown，BM3D，whichCanremovenoiseandretaindetailsatthesametime，isthebestwaytodenoise．However,itCannotyiel

7、dsatisfyingresultswhendealingwithimpulsenoiseormixednoisecomparedtoGaussiannoise．Inrecentyears，thesparseexpressionandlow-rankapproximationtheoryhavebeenwidelyusedinimageprocessing．Theiointsparseandlow．rankapproximationtheoriesyieldgoodr