基于图像稀疏特性的图像表示、编码与重建研究

With the rapid development of multimedia technology and fast evolvement of internet social network, digital image, as the most important visual information carrier among the multimedia information, has brought huge revolution to the human's life and communication styles. In recent years, the popularity of digital image capture devices puts forward higher challenge to digital image processing. Therefore, finding more efficient theories and technologies for image representation, modeling and image reconstruction has become a very important task in the image processing research field. In this project, we will focus on the research on image representation, sparse coding and reconstruction applications based on the image sparsity property. In sparsity-based image representation and modeling, we mainly incorporate the high level semantic information and low level structural information to the basic model for structural image sparse representation; In image sparse coding and decomposition, we mainly focus on the context-aware image information to improve the effectiveness and robustness of sparse coding methods. In sparsity-based image reconstruction, we will study the similarities and differences among different applications, then design and implement an unified framework of image reconstruction based on image sparsity property. This project is of great importance to the research on sparse representation and techniques, building basic research and application platform, extending the scalability of sparsity model and promoting the development of sparse representation theories and techniques.

随着多媒体技术的迅猛发展和互联网社交网络的广泛兴起，数字图像作为多媒体信息中最重要的视觉信息载体，逐渐给人们生产生活和信息沟通方式带来巨大的变革。当前数字图像采集设备的普及对数字图像处理提出了更高的挑战。如何根据图像固有性质和人类视觉特性寻求高效的图像表示、建模及重建方法，具有十分重要的意义。本项目将围绕图像稀疏特性对图像表示建模、稀疏编码和重建应用展开深入的研究，通过分析新兴媒体领域图像高层语义和底层结构信息，重点研究和实现结构化图像稀疏表示模型；并根据图像上下文信息，提出高效鲁棒的稀疏编码方法，以提高图像稀疏重建的有效性和鲁棒性；最后根据对稀疏表示模型在不同图像重建领域的应用特性分析，设计和实现一种基于图像稀疏特性的统一重建框架。本项目的研究，对于稀疏表示理论的研究，建立基础研究与应用平台，增强图像稀疏表示模型在不同领域的扩展性，进一步推动图像稀疏表示理论和方法的发展具有重要的意义。

在新兴多媒体应用环境下，传统稀疏表示理论与方法面临字典表征能力不足的问题，而利用外部较好的先验信息，结合图像自身的上下文信息能够增强传统系数模型的建模表示能力，从而有效支撑图像稀疏表示模型在不同领域的扩展。本项目重点研究了图像稀疏特性的表示与建模、高效鲁棒的稀疏编码方法以及基于图像稀疏特性的重建应用中的核心技术。在核心算法的研究上，实现基于图像稀疏特性的表示与建模框架，结合高层视觉手段与底层结构约束度量，充分挖掘自然图像信号的固有稀疏特性，有效提升字典学习算法的性能；在图像稀疏编码与重建的研究基础上，实现高效鲁棒的稀疏编码方法，解决稀疏编码理论中字典基元选取与图像信号本征维度估计的两个重要问题，进一步提升传统稀疏编码方法的鲁棒性和结构复原性能。本项目从图像稀疏特性的表示建模出发，以高效鲁棒的稀疏编码方法为核心，构建多种领域映射模式下的统一重建框架，提升基于图像稀疏模型的重建方法在不同领域的兼容性和易用性，从而实现图像稀疏表示重建的全面全效支持，对促进稀疏表示模型的理论基础研究和数值优化技术的发展，有十分重要的科学意义和广泛的应用价值。..依托本项目共发表论文30篇，其中，SCI索引5篇，EI索引29篇，包括顶级国际期刊和顶级国际会议的11篇文章，它们是图像处理领域的顶级国际期刊IEEE TIP 1篇，视频处理领域的顶级国际期刊IEEE TCSVT 1篇，计算机视觉领域顶级国际会议CVPR/ICCV/ECCV共计5篇，人工智能顶级国际会议AAAI/IJCAI共计2篇，多媒体领域顶级国际会议ACM MM 1篇，压缩编码领域的顶级国际会议DCC 1篇。申请国家发明专利58项，其中授权专利19项。