資源描述：
《顯微圖像盲復(fù)原算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、分類號(hào)：密級(jí)：論文編號(hào)：學(xué)號(hào)：50090810216重慶理工大學(xué)碩士學(xué)位論文顯微圖像盲復(fù)原算法研究研究生：成于思指導(dǎo)教師：張紅民教授學(xué)科專業(yè)：信號(hào)與信息處理研究方向：圖像分析與處理培養(yǎng)單位：電子信息與自動(dòng)化學(xué)院論文完成時(shí)間：2012年4月10日論文答辯時(shí)間：2012年5月29日萬(wàn)方數(shù)據(jù)CategoryNumber：LevelofSecrecy：SerialNumber：StudentNumber：50090810216Master'sDissertationofChongqingUniversityofTechnologyResearchontheBlindRestorationMeth
2、odsofMicroscopicImagePostgraduate:ChengYu-siSupervisor：Prof.ZhangHong-minSpecialty:SignalandInformationProcessingResearchDirection:ImageAnalysisandProcessingTrainingUnit:SchoolofElectronicInformat-ionandAutomationthThesisDeadline:Apr.10,2012thOralDefenseDate:May.29,2012萬(wàn)方數(shù)據(jù)學(xué)位論文原創(chuàng)性聲明及使用授權(quán)聲明重慶理工大學(xué)學(xué)
3、位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究所取得的成果。除文中特別加以標(biāo)注引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的成果、作品。對(duì)本文的研究做出重要貢獻(xiàn)的集體和個(gè)人，均已在文中以明確方式標(biāo)明。本人承擔(dān)本聲明的法律后果。作者簽名：日期：年月日學(xué)位論文使用授權(quán)聲明本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)重慶理工大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本學(xué)位論
4、文屬于（請(qǐng)?jiān)谝韵孪鄳?yīng)方框內(nèi)打“√”）：1.保密□，在年解密后適用本授權(quán)書(shū)。2.不保密□。作者簽名：日期：年月日導(dǎo)師簽名：日期：年月日萬(wàn)方數(shù)據(jù)摘要摘要近年來(lái)，顯微圖像復(fù)原研究在生物醫(yī)學(xué)、神經(jīng)科學(xué)、細(xì)胞和分子生物學(xué)等領(lǐng)域發(fā)揮著越來(lái)越重要的作用，成為了解決顯微圖像質(zhì)量退化問(wèn)題的有效途徑之一。其中，圖像盲復(fù)原算法因其對(duì)復(fù)原先驗(yàn)知識(shí)要求較少而成為人們的研究難點(diǎn)和熱點(diǎn)。本文針對(duì)顯微圖像盲復(fù)原算法展開(kāi)研究，主要從最大后驗(yàn)概率和全變分圖像盲復(fù)原算法的角度來(lái)進(jìn)行研究。主要研究工作如下：（1）對(duì)傳統(tǒng)的最大后驗(yàn)概率方法（MAP）進(jìn)行了研究，在此基礎(chǔ)上，重點(diǎn)研究了廣義高斯分布模型?？紤]到廣義高斯分布模型（GG）
5、可以模擬工程中遇到的所以噪聲模型的性質(zhì)，將二者相結(jié)合。其中模型的前半部分用泊松分布代替，后半部分用廣義高斯模型代替。實(shí)驗(yàn)結(jié)果表明與傳統(tǒng)的RL算法相比較，本算法的復(fù)原結(jié)果在去紋波效果方面更清晰，圖像噪聲有了一定的抑制。（2）在傳統(tǒng)的最大后驗(yàn)概率方法的基礎(chǔ)上結(jié)合全變分正則化項(xiàng)，考慮圖像的梯度，其中梯度較大的區(qū)域是邊緣區(qū)域，需保持圖像細(xì)節(jié)；梯度較小的區(qū)域是紋理區(qū)域，需減少振鈴以及抑制噪聲放大。正則化項(xiàng)的選擇依據(jù)梯度的大小來(lái)決定。其中梯度的分割采用黃金分割點(diǎn)的思想。實(shí)驗(yàn)證明，改進(jìn)后的算法復(fù)原出來(lái)的圖像比傳統(tǒng)的RL算法運(yùn)行時(shí)間縮短了一半，而且峰值性噪比有了一定的提高,各項(xiàng)指標(biāo)均有所改善。（3）對(duì)傳
6、統(tǒng)全變分圖像盲復(fù)原算法（TV）進(jìn)行了研究，加入Weber定律和正則化項(xiàng)，改進(jìn)了全變分圖像盲算法。通過(guò)實(shí)驗(yàn)可以看出，改進(jìn)后圖像效果比原來(lái)算法復(fù)原效果有所好，圖像更清晰。本文采用標(biāo)準(zhǔn)測(cè)試圖片和實(shí)際的顯微圖片相對(duì)比的實(shí)驗(yàn)方式，對(duì)三種方法進(jìn)行了仿真，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的價(jià)值和有效性。關(guān)鍵詞：顯微圖像盲復(fù)原、MAP、全變分、Weber定律、正則化I萬(wàn)方數(shù)據(jù)AbstractAbstractInrecentyears,microscopicimagerestorationresearchesareplayinganincreasinglyimportantroleinbiomedical,neural
7、science,cellandmolecularbiologyandotherfields.Theybecomeoneoftheeffectivewaystosolutetheimagequalitydegradationproblem.Becauseblindimagealgorithmsneedlesspriorknowledgeofimage,theybecomeahardandhotspotofpeople’sresearc
