基于邊緣增強和稀疏表示的圖像去噪方法研究.pdf

1、圖像去噪是計算機視覺領域一個很重要的基礎課題。圖像去噪的目的就是從受到噪聲污染的圖像中，恢復出原來清晰的圖像。目前,圖像去噪的方法大致可以分為三類：空間域、頻率域和基于稀疏表示的字典學習等方法。隨著壓縮感知技術的快速發(fā)展，基于稀疏表示的去噪算法表現出了很好的適應性，通過學習或設計合適的字典，對給定的圖像塊進行自適應性的表達，能夠很好地表示圖像的結構特征。本文就是以稀疏表示為理論基礎，探究圖像去噪的方法。
　　稀疏表示和圖像的非局部

2、自相似性在圖像去噪中扮演著很重要的角色，但是在運用稀疏表示和非局部自相似性去噪的同時，可能會對圖像的細節(jié)結構（比如邊緣結構）產生過光滑或者偽紋理等現象，為了提高圖像的去噪性能，本文提出了一個基于邊緣增強和稀疏表示的圖像去噪模型（ENSR：Edge Enhanced and Nonlocal Sparse Representation Model）。該模型將圖像的邊緣檢測、局部稀疏性和非局部自相似性結合到了一起，通過迭代閾值算法對模型中的

3、l1-范數最小化問題進行求解。實驗表明，模型在加入邊緣正則項之后，去噪效果有了一定的提高，很好地保護了邊緣結構，改善了重構圖像的質量。
　　在實際應用中噪聲的分布往往比較復雜，本文對ENSR模型進行了改進，用于解決混合噪聲的問題。在稀疏編碼過程中，針對混合噪聲分布特有的重尾現象，在模型中引入了加權編碼的概念，提出了基于邊緣增強和稀疏表示的混合去噪模型（M-ENSR），并通過迭代加權算法進行求解。實驗表明，與其他傳統(tǒng)的混合去噪算法相