基于稀疏表示与结构聚类的WMSN图像去噪算法研究-计算机技术专业论文.docxVIP

本人郑重声明:所呈交的学位论文是我个人在导师指导下进行的研究 二 作及取得的研究成果 。尽我所知，除了文中特别加以标注和致谢的地方 外，论文巾不包含其他人口经发表和撰旦的研究成果，也不包含为获得华 东交通大学或其他教育机构的学位政证书所使用过的材料 。与我一 同工作 的同志对本研究所做的任何贡献均 G{I:论文中作了明确的说明并表示了谢 立思 立思 ? 本人签名 日期 yo . b 、 本人完全了解华东交通大学有关保留、使用学位论文的规定，即 : 学 校有权保留送交论文的复印件，允许论文被查阅和借阅。学校可以公布论 文的全部成部分内容，可以采用影印、缩印或其 他复制 手段保存 论文。 日月创M 日月 创M 户 口H -n月一创M hU /U口M学生本人 -n月 一 创M h U / U 口M 校内导师签名 1A)1 坠 ? v 、 Ij二 ，f也} 摘要 摘要 I I 基于稀疏表示与结构聚类的 WMSN 图像去噪算法研究 摘要 无线多媒体传感器网络(Wireless Multimedia Sensor Networks，WMSN)由大量具有计 算、存储及无线通信能力的多媒体传感器节点组成，具备协作感知信息丰富、扩展性强 等优势，通常部署在无人值守的环境中自主完成监测任务，并广泛应用于诸多领域。此 外，要完成实际应用中的各种视频监测任务，需要对监测的准确性及有效性提出较高的 要求。然而，WMSN 监测环境复杂多样，视频质量易受各种外界因素干扰，使得图像 受噪声污染严重，视觉效果模糊，容易造成不可预测的监测事故。 为确保视频监测的准确性及有效性，高质量图像对于后续图像处理及监测具有重要 意义。经深入分析可知，WMSN 所采集的视频图像数据信息量大，且视频流中监测目 标相似度大，前后帧图像相关性以及冗余性都较强。经研究发现，图像稀疏表示能用尽 可能少的数据描述图像本质特征，实现图像有效表示，从而被广泛应用于视频、图像去 噪领域。此外，非局部去噪方法充分利用图像自相似性以及冗余特性，能够充分保留图 像的纹理结构等细节信息，去噪效果良好。结合 WMSN 视频图像的特点，透彻分析稀 疏表示和非局部理论，研究适用于复杂场景下的 WMSN 视频图像去噪算法十分有必要。 综上所述，本文深入分析了 WMSN 视频图像特征，并结合稀疏表示和非局部理论， 提出了两种适用于 WMSN 场景的图像去噪算法。第一种是基于结构聚类集中式正则化 稀疏表示模型的图像去噪算法，在此算法的实现过程中，首先，通过 K-means 方法对退 化后的 WMSN 图像进行结构聚类；然后，采用稀疏 K-SVD 字典学习方式，对各类图像 块进行字典学习；最后，建立基于非局部正则化的稀疏去噪模型，进行集中式正则化， 以优化稀疏系数，从而提高图像重构质量；经实验验证可知，此算法在低信噪比条件下 不仅能保证 WMSN 去噪后图像的清晰度，充分保留边缘、纹理等结构信息，而且通过 对图像块进行结构聚类以及采用多字典并行处理方式，加快了算法运行速度，从而减小 了 WMSN 网络耗能。第二种是基于非局部马尔科夫蒙特卡罗(Markov chain Monte Carlo, MCMC)采样和自适应阈值低秩逼近的 WMSN 视频图像去噪算法，在此算法实现过程 中，首先，基于马尔科夫蒙特卡罗理论进行相似块选择及结构聚类；其次，进行奇异值 分解，并依据图像先验信息自适应估计奇异值阈值；最后，借助低秩逼近算法，进行图 像重构；实验表明，此算法不但在实现 WMSN 退化图像高效重构的同时提高了图像边 缘、纹理等结构信息的保留度，而且解决了字典学习在处理高维数据以及降低运算复杂 度上存在的局限性，并减少了网络耗时，非常适用于能量受限的 WMSN 视频图像去噪。 关键词：稀疏表示，结构聚类，非局部，图像去噪，WMSN Abs Abstract II II DENOISING VIA SPARSE REPRESENTATION AND STRUCTURE CLUSTERING FOR WMSN IMAGE ABSTRACT WMSN is mainly composed of mass multimedia sensor nodes with computation, storage and wireless communication，which possesses the advantages of sensing rich information and strong extensibility. WMSN is usually deployed in an unattended environment monitoring task independently and widely use