《基于稀疏表示与字典学习的图像去噪算法研究》由会员分享，可在线阅读，更多相关《基于稀疏表示与字典学习的图像去噪算法研究（54页珍藏版）》请在金锄头文库上搜索。
1、西安电子科技大学 学位论文创新性声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果：也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：差鸭么一 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生
2、在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕 业离校后，发表论文或使用论文工作的成果时署名单位仍然为西安电子科技大学。 学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全 部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。( 保密的论文 在解密后遵守此规定) 本人签名：盏溜江 安。r 勺一 导师签名：也陛丝 摘要 删 Y18vm , r | 6 | l r l 7 3 2 7 ”“ 图像在获取、存储、传输等过程中都会受到特定噪声的污染，造成图像质量 下降，因此图像去噪是图像处理中的一个重要问题。其目的是通过一定处理尽可 能消除噪声干扰，提高
3、图像质量。 近年来，稀疏表示理论受到人们的广泛关注，并成功应用于图像去噪。其理 论依据是，具有一定光滑性的干净图像在适当的过完备字典下存在稀疏表示，通 过选择或设计适当的字典，求出图像在该字典下的稀疏表示就可以达到去噪的目 的。在图像去噪应用中，字典的选择有两种：一种是选取固定的解析字典：另一 种是利用采样图像数据通过适当模型和方法学习或训练自适应的字典。 由于学习字典具有对数据的自适应性，能更好地刻画数据中的本质特征，在 去噪应用中能得到更好的效果。因此本文借鉴I C S V D 算法的思想，改进了前人提 出的基于标准正交基联合的字典学习算法。改进后的本文算法是在更新字典的过 程中实时更新系
4、数，提高了字典学习速度；并将利用本文算法得到的结构化自适 应字典( L O N B 字典) 用于图像去噪，实验结果表明，相对于固定字典，本文改 进的基于学习字典的去噪算法能够得到更好的去噪效果。 关键字：图像去噪稀疏表示字典学习块协调松弛算法 r A b s t r a c t I m a g ed e n o i s i n gi so n ei m p o r t a n tp r o b l e mi nt h ef i e l do fd i g i t a li m a g ep r o c e s s i n g ， b e c a u s et h ei m a g ec a l
5、 lb ep o l l u t e db ys o m es p e c i f i cn o i s ei nt h ep r o c e s so fa c q u i r i n g ， s t o r a g ea n dt r a n s p o r t ，l e a d i n gt ot h eq u a l i t yd e g r a d a t i o n T h ep u r p o s eo fi m a g e d e n o i s i n gi st oe l i m i n a t et h en o i s ei n t e r f e r e s 诵t 1
6、 1v a r i e t yt r e a t m e n t s ，S Oa st oi m p r o v e t h eq u a l i t yo fi m a g e I nr e c e n ty e a r s ，t h es p a r s er e p r e s e n t a t i o nt h e o r yh a sd r a w nw i d ea t t e n t i o n ，a n d a l s oh a sb e e na p p l i e ds u c c e s s f u l l yi ni m a g ed e n o i s i n g
7、I t st h e o r e t i cp r o o fi st h a tac l e a r i m a g ew i t hs m o o t hc h a r a c t e rh a si t ss p a r s ed e c o m p o s i t i o nu n d e rt h eo v e r - c o m p l e t e d i c t i o n a r y T h e r e f o r e ，w ec a na c c o m p l i s ht h ei m a g ed e n o i s i n gt h r o u g hc o m p
8、u t i n gt h e s p a r s er e p r e s e n t a t i o na f t e rc h o o s i n go rd e s i g n i n ga na p p r o p r i a t ed i c t i o n a r y T h e r ea r e t w ok i n d so fd i c t i o n a r i e si nt h ea p p l i c a t i o nf o ri m a g ed e n o i s i n g O n ei sf i x e da n a l y t i c d i c t i
9、o n a r y , t h eo t h e ri sa d a p t i v ed i c t i o n a r y , w h i c hC a nb et r a i n e db ya p p r o p r i a t em o d e l u s i n gt h eg i v e ni m a g ei n f o r m a t i o nd a t a D u et oi t sa d a p t i v i t y , t h el e a r n e dd i c t i o n a r yC a ng e tb e t t e rd e n o i s i n
10、gr e s u l t st h a n t h e f i x e dd i c t i o n a r y T h e r e f o r e ，i nt h i sp a p e r , w ei m p r o v ead i c t i o n a r yl e a r n i n g a l g o r i t h mi n t r o d u c e db yp r e d e c e s s o r s ，w h o s ea i mi st ol e a r nas t r u c t u r e dd i c t i o n a r ya s u n i o n so f
11、o r t h o n o r m a lb a s e s T h ei m p r o v e da l g o r i t h mC a nu p d a t et h ec o e f f i c i e n t s s i m u l t a n e o u s l y , i n c r e a s i n gt h el e a r n i n ge f f i c i e n c y M o r e o v e r , t h es t r u c t u r e da d a p t i v e d i c t i o n a r y ( L O N Bd i c t i o
12、 n a r y ) i sc o m b i n e d 谢t 1 1t h ed e n o i s i n ga l g o r i t h ma tl a s t T h e s i m u l a t i o nd e m o n s t r a t e st h a t t h en e wa l g o r i t h m sh a sab e t t e rd e n o i s e de f f e c t c o m p a r i n gw i t l lt h ef i x e dd i c t i o n a r y K e y w o r d ：i m a g ed
13、 e n o i s i n gs p a r s er e p r e s e n t a t i o n d i c t i o n a r yl e a r n i n g b l o c kc o o r d i n a t er e l a x a t i o n 目录 摘要 A B S T R A C T 第一章绪论1 1 1 引言1 1 2 研究意义1 1 3 数字图像的存储2 1 4 数据图像的采集3 1 5 噪声图像模型及噪声特性3 1 5 1 含噪模型3 1 5 2 噪声及其特性4 1 6 图像质量的评价4 1 6 1 主观评价法4 1 6 2 客观评价法5 1 7 本文组
14、织安排6 第二章图像去噪综述及稀疏表示理论9 2 1 引言9 2 2 传统去噪方法介绍9 2 3 稀疏表示理论1 1 2 3 1 稀疏表示理论背景1 l 2 3 2 稀疏表示理论基础1 2 2 3 3 稀疏分解算法1 4 2 4 本章小结1 7 第三章基于稀疏表示与字典学习的图像去噪框架1 9 3 1 基于贝叶斯最大后验估计的图像稀疏模型1 9 3 1 1 小块图像的稀疏模型1 9 3 1 2 整个图像的稀疏模型1 9 3 1 3 模型的数字求解2 0 3 2 基于字典学习的稀疏性和冗余性2 1 3 2 1 基于干净的例子图像的字典学习2 l 3 2 2 基于噪声图像的字典学习与最终的去噪算法2 2 3 3 试验结果2 4 3 4 本章小结2 6 第四章基于L 组标准正交基的联合字典的图像去噪2 7 4 1B C R 算法2 7 4 1 1 字典只包含一个O N B 的情况2 7 4 1 2B C R 算法一L O N B 联合字典的情况2 8 4 1 3B C R 算法的实验分析2 8 4 2 基于S V D 分解的联合字典学习新算法2
