《图像稀疏表示理论设计的研究》由会员分享，可在线阅读，更多相关《图像稀疏表示理论设计的研究（45页珍藏版）》请在金锄头文库上搜索。
1、word 资料下载可编辑武汉理工大学毕业设计（论文）图像稀疏表示理论研究学院（系）： 信息学院 专业班级： 电信1001班 学生姓名： 朱玉峰 指导教师： 杨媛媛 讲师 专业技术资料学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进展研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包括任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承当。作者签名： 年 月 日学位论文版权使用授权书本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保存并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
2、本人授权省级优秀学士论文评选机构将本学位论文的全部或局部内容编入有关数据进展检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密囗，在 年解密后适用本授权书2、不保密囗 。（请在以上相应方框内打“”）作者签名： 年 月 日导师签名： 年 月 日 专业技术资料word 资料下载可编辑 专业技术资料摘 要 本文借助数学软件MATLAB首先对不同小波基的图像稀疏表示能力进展了比拟，从中选出最优基。然后对基于MOD和K-SVD的两种不同算法的学习字典进展了去噪实验，得出了K-SVD字典的稀疏表示能力更优的结论。虽然过完备稀疏字典的性能应该要优于小波变换，但还是通过比照试
3、验来说明，这样显得更直观一些。对基于最优小波基和基于稀疏字典两种情况进展了比拟，所得结果对于整个图像稀疏表示理论的演变开展起到了论证作用，具有重要的指导意义。 论文主要研究了图像稀疏表示理论的整个开展历史以及现在的研究现状。介绍了基于小波变换和多尺度几何分析方法的图像稀疏表示，重点研究了基于过完备字典的图像稀疏表示理论。图像的过完备字典稀疏表示可分为稀疏分解和字典学习两过程：稀疏分解是在过完备字典已知的情况下获得表示系数的过程；而字典学习与稀疏分解相反，则是通过获得的表示系数来更新过完备字典。这两个过程的有效结合可以让图像稀疏分解的结果更加符合图像特征，从而提高图像的稀疏表示质量。基于此两个过
4、程的内容，本文分析了基于MP，BP以及OMP算法的稀疏分解和基于MOD和K-SVD算法的字典学习算法，并对其核心思想和性能差异进展了详细的介绍和分析，形成了以 OMP 算法用于稀疏分解，结合 K-SVD 字典学习算法的图像稀疏表示，并将此方法与小波变换进展比拟。研究结果说明：基于稀疏字典的图像稀疏表示性能优于基于小波变换的稀疏表示。本文的特色：对整个图像稀疏表示理论的研究很全面，回忆了稀疏理论开展的历史和现状，通过实验论证了基于字典方法的优越性，对稀疏表示理论的后续研究提出了一定要求。 关键词： 图像稀疏；小波变换；过完备字典；OMP;K-SVDAbstract In this paper,
5、using software MATLAB firstly indicates the ability to compare different image sparse wavelet base, choose the basis from which the. Then the two different learning algorithms of MOD and K-SVD dictionary based on denoising experiments, the sparse K-SVD dictionary representation capability and better
6、 conclusion. Although the performance over complete sparse dictionary should be superior to the wavelet transform, but by contrast experiment to illustrate, that seems more intuitive. Based on the optimal wavelet basis and sparse dictionary based on two conditions were compared, the results indicate
7、d the evolution theory to demonstrate to the sparse image, has the important guiding significance. This paper mainly studies the image sparse representation of the whole development history theory and the current research status. The sparse image analysis method of wavelet transform and multi scale
8、geometric representation based on, key research based on over complete dictionary of image sparse representation theory. The image of the over complete dictionary sparse representation can be divided into two processes for learning sparse decomposition and Dictionary: sparse decomposition is to obta
9、in there presentation coefficients of the process in the over complete dictionary of known cases; and dictionary learning and sparse decomposition instead, is obtained by the said coefficient to update the over complete dictionary. The effective combination of these two processes can make the image
10、sparse decomposition results more in line with the image features, so as to improve the quality of image sparse representation. The two process based content, based on the analysis of the MP, BP and OMP algorithm of sparse decomposition and MOD algorithm and K-SVD algorithm based on dictionary, and
11、the difference between its core idea and performance are introduced and analyzed in detail,using OMP algorithm for sparse decomposition of the form, combined with the K-SVD dictionary learning image sparse algorithm said, and this method is compared with the wavelet transform. Research results show
12、that: the performance is better than the wavelet transformbased on the sparse representation of sparse representation of images based on sparse dictionary. This feature: the representation theory in the study of very comprehensive on the image sparse, reviews the history and present situation of the
13、 development of the theory of sparse, the experiments demonstrate the superiority of the dictionary based method, said some follow-up study on the theory of sparse requirements.Key Words：Sparse image; wavelet transform; over complete dictionary; OMP;KSVD 专业技术资料目 录第1章 绪论11.1 研究背景及意义11.2 国内外研究开展历程和现状2
14、第2章 信号的稀疏表示理论42.1 数学根基及相关说明42.1.1 从逼近论到过冗余稀疏表示42.1.2 稀疏性的度量52.1.3 唯一性和不确定性6第3章 图像稀疏表示根本理论的开展83.1 从傅里叶到小波83.1.1 傅立叶变换93.1.2 余弦变换93.1.3 小波变换103.2 超完备图像表示103.3 超小波图像稀疏表示113.3.1 Ridgelet (脊波) 变换113.3.2 Curvelet (曲线波) 变换123.3.3 Contourlet 变换133.3.4 Bandelet 变换13第4章 图像稀疏字典的设计和构造154.1 图像的稀疏分解154.1.1 稀疏分解的定
15、义154.2 过完备字典164.2.1 分数频率法164.2.2 图像稀疏表示字典的选择和构造174.3 稀疏分解算法的实现174.3.1 BP 算法174.3.2 MP 算法184.3.3 OMP 算法204.4 稀疏字典开展趋势21第5章 不同稀疏表示方法的性能研究235.1 基于不同小波基的稀疏性能研究235.1.1 小波去噪原理235.1.2 实验分析及结论245.2 学习字典实验255.2.1 MOD算法研究255.2.2 K-SVD算法研究265.2.3 实验分析及结论285.3 基于小波变换和稀疏字典的图像表示性能比拟30第6章 全文总结与展望326.1 论文工作总结326.2 未来工作展望32
