基于改進的字典學習算法的圖像去噪方法.pdf

1、稀疏表示在近幾年來的研究中已經(jīng)進入其發(fā)展的全新時期，稀疏表示應用廣泛，圖像處理中的如圖像去噪、圖像壓縮、圖像分割等各個領(lǐng)域均可以看見稀疏表示的身影。一幅圖像常常由兩部分組成，一部分是其本身的理想結(jié)構(gòu)，如圖像邊緣信息、圖像細節(jié)等，另一部分則是隨機噪聲。顯然，我們希望能夠?qū)笳哌M行消除從而保留圖像原本的信息。對研究圖像處理以及計算機視覺來說將圖像進行去噪處理十分有意義，這是由于后續(xù)的圖像處理如圖像分割、邊緣提取以及目標識別等效果與圖像預處理

2、的結(jié)果有直接關(guān)系。
　　傳統(tǒng)的濾波方法有著計算簡單，操作方便的優(yōu)勢，但圖像去噪效果十分有限。研究者們目前已經(jīng)從各種不同的視角提出多種有效的圖像去噪方法。本文首先對稀疏分解過程中的貪婪追蹤的經(jīng)典算法以及字典更新中的字典學習方法進行了詳細的說明，隨后，在匹配跟蹤算法和字典更新的基礎(chǔ)上提出了改進的字典學習算法，本文具體做了如下工作：
　?。?）在字典更新階段同時更新字典和稀疏表示系數(shù)中的非零系數(shù)，這樣能使得稀疏表示的誤差更小。計算

3、過程的第一步類似于MOD算法或K-SVD算法的第一步，在確保稀疏表示系數(shù)的前提下對字典進行更新，然后在后續(xù)的迭代過程執(zhí)行多次字典更新循環(huán)，簡化字典學習問題。
　?。?）本文在使用正交匹配追蹤（OMP）算法初始化時使用的是在前一次追蹤過程中得到的最大的k/3個系數(shù)，然后再使用OMP算法追蹤剩余的2k/3個系數(shù)，這樣就能夠改善峰值性噪比 RMSE和運行時間。假定采用固定的字典對大量信號進行追蹤，那么很多計算可以預先進行，進而能大大減少