基于非局部稀疏模型的字典分析與圖像去噪.pdf

1、圖像是人們獲取信息的重要來(lái)源。然而，由于成像設(shè)備及成像條件的限制，圖像在采集、轉(zhuǎn)換以及傳輸過(guò)程中不可避免地受到噪聲的污染。因此圖像去噪在圖像處理領(lǐng)域占據(jù)著重要的位置，是圖像邊緣檢測(cè)、特征提取、圖像分割、模式識(shí)別等工作的前提。圖像處理中許多實(shí)際的噪聲可以近似的認(rèn)為是高斯白噪聲，因此去除圖像中的高斯白噪聲成為圖像去噪領(lǐng)域中一個(gè)重要的方向。
　　 非局部均值濾波器對(duì)加性高斯白噪聲有較好的抑制作用，這證實(shí)了圖像塊在被噪聲污染的情況下仍具

2、有相關(guān)性特征。圖像稀疏表示研究近年來(lái)已成為圖像壓縮領(lǐng)域研究的熱點(diǎn)，并被應(yīng)用于圖像去噪領(lǐng)域，取得了很好的效果。基于非局部稀疏模型的圖像去噪方法正是在這樣的背景下提出的圖像去噪方法，去噪效果顯著。本文以該方法為研究基礎(chǔ)，主要工作是基于非局部稀疏模型圖像去噪方法中字典的研究。主要工作包含以下三個(gè)方面：
　　 (1)提出了基于PCA的非局部稀疏模型圖像去噪方法，利用圖像的PND字典初始化相似數(shù)據(jù)集合的稀疏表示字典，并使用相似集合數(shù)據(jù)進(jìn)行

3、字典學(xué)習(xí)更新。使用低冗余字典對(duì)相似數(shù)據(jù)進(jìn)行稀疏表示去噪，提高了稀疏表示效率。
　　 (2)提出了基于改進(jìn)字典的非局部稀疏模型圖像去噪方法，使用相似集合中的相似數(shù)據(jù)來(lái)初始化稀疏表示字典，初始化字典經(jīng)過(guò)學(xué)習(xí)更新后對(duì)相似數(shù)據(jù)進(jìn)行稀疏表示實(shí)現(xiàn)去噪，去噪效果有明顯提高。
　　 (3)提出了基于聯(lián)合稀疏模型的圖像去噪方法，主要是先利用稀疏分解將相似信號(hào)分解為公共分量和特征分量，噪聲包含在特征分量中，然后為特征分量選擇合適的稀疏字典，