基于非局部模型與字典學(xué)習(xí)的自然圖像去噪方法研究.pdf

1、圖像是一種常見的信息載體，也是人們獲取信息的重要來源。然而，由于各種外界自然因素的影響，圖像在采集、傳輸過程中不可避免地受到噪聲的干擾。噪聲不僅降低了圖像的視覺質(zhì)量，而且極大地破壞了圖像的特征信息。因此，在圖像處理領(lǐng)域里，圖像去噪是一個非常重要的環(huán)節(jié)。
　　圖像，特別是自然圖像，具有很高的自相似性，存著大量的冗余信息。近年來，根據(jù)圖像的自相似性與信息冗余性，人們分別提出了非局部模型與稀疏模型，并被廣泛地應(yīng)用于圖像去噪領(lǐng)域。本文結(jié)合

2、這兩種模型，圍繞自然圖像去噪問題，主要做了以下工作：
　　(1)提出了基于字典學(xué)習(xí)與非局部全變分正則的圖像去噪方法。該方法是通過對非局部全變分模型進行簡化，并在簡化模型的基礎(chǔ)上，將點模型拓展到基于基于字典學(xué)習(xí)的塊模型。通過大量的實驗證明：改進后的去噪方法法較之前的方法無論是主觀視覺上還是客觀評價指標(biāo)上都有一定的提高；該方法與相關(guān)類似方法相比，在保持邊緣細節(jié)信息上具有一定的優(yōu)勢。
　　(2)提出了基于字典學(xué)習(xí)與非局部結(jié)構(gòu)相似的

3、維納濾波圖像去噪方法。該方法是針對最優(yōu)維納濾波器沒有充分利用圖像冗余信息這一問題，通過基于字典學(xué)習(xí)的方式挖掘圖像的稀疏特性，并結(jié)合非局部模型與結(jié)構(gòu)聚類提出的一種改進方法。通過大量的實驗證明：改進后的去噪方法與之前方法相比，在主觀視覺上和客觀指標(biāo)上均有一定的提高；該方法與一些相關(guān)類似方法相比，在保證圖像平滑去噪效果的同時，在圖像的邊緣紋理等結(jié)構(gòu)信息上也具有很好的表現(xiàn)。
　　(3)提出了基于形狀自適應(yīng)與奇異值分解的非局部維納濾波器。該

4、方法是在非局部模型下，根據(jù)分析非局部聯(lián)合稀疏模型與奇異值分解之間的聯(lián)系，提出了一種基于奇異值分解的維納濾波器。另外，在此基礎(chǔ)上還融入了一種基于局部多項式-置信區(qū)間交叉的形狀自適應(yīng)圖像塊方法。通過大量的實驗證明：該方法相對于基于非局部聯(lián)合稀疏模型的去噪方法具有更好的去噪效果，且與其它相關(guān)類似方法相比，在主觀上及客觀上仍其性能具有一定的競爭力。
　　本論文工作得到了國家自然科學(xué)基金60970066、高等學(xué)校學(xué)科創(chuàng)新引智計劃（111計劃