面向图像复原的条件随机场模型研究

图像因成像、传输等过程中的不良因素引起的图像质量下降，严重制约图像的使用和后期处理。旨在恢复和改善图像质量的图像复原一直受到广泛关注，是图像处理领域重要的研究内容。如何很好满足迫切的应用需求仍然面临巨大的挑战。CRF模型是近年来出现的一种概率图模型，刚刚开始应用于图像复原领域。本课题旨在以图像去噪声和去模糊两个图像复原内容为主要研究对象，研究基于CRF模型的图像复原的新理论和新方法，力图更多的提取来自多源的多类型信息并有效的融合使用，高效适应待复原图像多场景类别、多图像内容和多降质类型的应用需求。本课题拟开展如下研究：（一）通过分析图像内容，增加隐变量，构建具有扩展图结构的CRF模型，提供从多信息源中提取多类型结构信息的技术平台；（二）通过对降质图像场景类别、图像内容和降质类型的分析，建立图像复原的子类分析及其模型训练的理论和方法；（三）通过并行处理和稀疏化处理，建立快速高效的推断方法。

项目重点研究基于条件随机场（CRF）模型的图像复原新理论和新方法，取得的主要成果和结论为：（1）构建了支持图像复原研究的样本图像库。广泛收集和构建了包括自然图像、高光谱遥感图像、可见光遥感图像等典型图像库及其标记图像库，并研究了成像过程中典型降质模型的建模。成果成功应用到某型号项目中，理论成果投稿到IEEE TMM；（2）研究了图像中多类型结构特征分析、表述与应用方法。通过光谱和空间相关矩阵分析和描述了高光谱图像中存在的空-谱上下文结构信息，通过反卷积网络模型分析和描述了可见光遥感图像中的多层次结构特性，通过专家场和非局部方法分析和描述了自然图像中的结构特征。成果发表在IEEE TIP、IEEE TGRS、OE、宇航学报、数字技术与应用；（3）提出了多谱段CRF图像复原模型。深入研究了模型构建、高效训练、快速推断等内容，由于模型能够同时利用高光谱图像中存在的空-谱上下文结构信息，复原性能优于目前流行的方法。成果发表在IEEE TGRS；（4）提出了能够同时进行复原与分类的CRF与MLR组合模型。研究了一种在MEM训练框架下紧密组合CRF和MLR的方法，使图像复原结果保证分类结果在指定线性或非线性性能衡量指标下达到最优。成果投稿到IEEE TGRS；（5）扩展研究了面向图像分类的CRF模型。受上述组合CRF与MLR同时进行复原与分类研究的启发，我们构想能否将复原与分类统一到一个CRF模型框架下，为此预先扩展研究了面向图像分类的CRF模型。①提出了局部训练的CRF模型，其分类能力优于目前公认性能优异的SVM算法，成果发表在IEEE TIP。②提出了具有高阶稀疏势函数的CRF模型，能够明显提高目标细节的分类性能，成果发表在IEEE TGRS。③ 研究了基于L1正则化的稀疏CRF模型，有效解决分类过拟合问题，成果发表在IJRS。④ 提出了基于分块动态训练的稀疏CRF模型，实现选择很少量特征子集，取得满意的标记正确率，成果发表在国际会议SSPR & SPR 2012。. 本项目共发表论文10篇，其中SCI检索5篇，包括IEEE TIP长文1篇，IEEE TGRS 长文2篇，IJRS 长文1篇，OE短文1篇。部分成果成功用于某型号光学和高光谱图像复原项目中。理论与应用成果表明，CRF模型作为图像复原的一种新理论和新方法，具有极大的潜力，值得进一步深入研究。