統(tǒng)計學習圖像去噪方法研究.pdf

1、近年來，基于字典學習的圖像去噪方法已經(jīng)成為圖像處理領域中的一個研究熱點。該方法基于統(tǒng)計學習理論，能從一組訓練樣本中學習得到自適應表示圖像塊的字典，對加性高斯白噪聲可以達到較好的去噪效果。
　　 本文在研究超完備稀疏表示和字典學習的基礎上，討論了多種統(tǒng)計字典學習方法，包括KSVD字典學習、在線字典學習和非參數(shù)Bayesian字典學習方法等。分析了現(xiàn)有字典學習圖像去噪方法未充分利用圖像自相似性的缺陷，提出結合圖像自相似性的幾種字典學

2、習圖像去噪方法。主要工作包括：
　　 (1)提出基于圖像自相似性正則的字典學習圖像去噪方法。在稀疏表示和字典學習圖像去噪的框架下，將空域字典學習和非局部自相似性策略相結合，設計了圖像自相似性正則，以及基于稀疏性和圖像自相似的統(tǒng)計字典學習方法，克服了KSVD字典學習去噪方法利用圖像相似信息不充分的局限。在自然圖像上驗證了方法的有效性，實驗結果表明：本方法相比基于稀疏表示和字典學習的去噪方法，在提高同質(zhì)區(qū)域平滑性的同時兼顧保留圖像的

3、紋理、輪廓、邊緣細節(jié)信息，去噪后的圖像具有更好的視覺效果和更高的數(shù)值評價指標。
　　 (2)基于圖像多尺度去噪原理，提出基于圖像自相似性正則的多尺度字典學習圖像去噪方法。利用多尺度變換提取出圖像的各個尺度上的細節(jié)信息，設置各個尺度的殘差控制因子，在各個尺度分別用學習獲得的字典進行去噪，從而很好地保留了圖像細節(jié)，克服了單尺度字典學習去噪方法利用圖像細節(jié)結構信息不充分的局限。這種方法在保持均勻區(qū)域平滑的基礎上兼顧保留了圖像的細小紋理

4、邊緣等信息。在自然圖像上的實驗結果充分證明了其有效性，相比第三章所提出的單尺度字典學習與自相似性的方法，在視覺效果和數(shù)值指標上都有所提高。
　　 (3)在第三章空域去噪算法的基礎上，利用BM3D采用塊匹配操作挖掘圖像自相似性的優(yōu)點，提出基于多尺度字典學習和BM3D約束正則的圖像去噪方法。設計了利用BM3D去噪結果的約束項，并分析了約束項的正則因子的經(jīng)驗求解方法，建立去噪模型。利用了第四章多尺度變換方法分解圖像得到多尺度細節(jié)信息，