蒂维斯特姆
涉及数字图像的大量实际应用激发了人们对在存在各种采集和压缩伪影的情况下改善数据视觉质量的恢复解决方案的浓厚兴趣。数字图像是采集过程的结果,采集过程基于对特定时间段内成像传感器上感兴趣的物理量的测量。感兴趣的数量取决于目标成像应用。常见的成像传感器测量撞击在密集的光电探测器网格上的光子数量,以产生与人类视觉系统所感知到的图像相似的图像。不同的应用侧重于人类视觉系统不可见的电磁频谱部分,因此需要不同的传感技术来形成图像。在所有情况下,即使随着技术的进步,原始数据也总是受到各种内在和外在干扰因素的影响,例如测量过程的随机性或具有挑战性的传感条件,这些因素可能会导致噪声、模糊、几何畸变和色差。
本文介绍了两种基于BM3D分组和协同过滤范式的视频和体积数据恢复过滤框架。在其一般形式中,BM3D范式利用了由相互相似的基本过滤元素(例如补丁、,在适当的变换域中,可以通过系数收缩将信号的有意义部分的能量与噪声的能量分离开来,从而获得组的增强稀疏表示。我们认为,这种方法的成功在很大程度上取决于所用基本滤波元素的形式,而这些基本滤波元素又定义了非局部群的后续谱表示。因此,本论文的主要贡献在于根据手头处理数据的固有特性定制特定的基本过滤元素。具体来说,我们通过三维立方体嵌入体数据中的局部空间相关性,通过三维时空体(即沿运动轨迹的二维块序列)嵌入视频中的局部时空相关性。这项工作的基本方面是分析这些元素的特定光谱表示。具体地说,我们的框架沿着额外的第四维堆叠相互相似的三维补丁,从而形成一个四维数据结构。通过这样做,可以形成有效的群谱描述,因为数据中沿不同维度作用的现象可以沿不同的谱超平面精确定位,因此可以对不同的谱系数应用不同的滤波收缩策略,以获得所需的滤波结果。这与BM3D算法中传统使用的收缩形成了决定性的区别,在BM3D中,群谱的不同超平面根据相同的退化模型进行收缩。
不同的图像处理问题依赖于不同的观测模型,通常需要特定的算法来过滤损坏的数据。作为本论文的后续贡献,我们表明,我们的高维滤波模型可以针对异质噪声模型,例如,以空间和时间相关性、信号相关分布、空间变化统计和非白功率谱密度为特征,没有对算法结构进行必要的修改。因此,我们开发了最先进的方法来解决各种基本图像处理问题,例如去噪、去块、增强、去毛刺和重建,这些方法在消费者、医学和热成像中也有实际应用。