基于稀疏字典學(xué)習(xí)的圖像重構(gòu)模型研究.pdf

1、稀疏表示可以有效提取信號(hào)的本征信息，廣泛應(yīng)用于信號(hào)去噪、超分辨率、特征提取等領(lǐng)域，備受國內(nèi)外學(xué)者的關(guān)注。利用增添基函數(shù)，將完備基擴(kuò)充到過完備基，可以獲得更好的稀疏性，這種過完備冗余基稱作“稀疏字典”。壓縮感知理論在稀疏表示研究的基礎(chǔ)上，打破Shannon-Nyquist采樣定理，利用稀疏性，通過非線性重構(gòu)算法，對(duì)信號(hào)進(jìn)行有效重構(gòu)，極大地緩解高維信號(hào)處理的壓力，補(bǔ)充和完善信號(hào)處理理論。研究性能優(yōu)異的稀疏字典，對(duì)提高圖像重構(gòu)精度，具有十分重

2、要的意義。
　　本文圍繞稀疏表示理論展開了深入研究，重點(diǎn)研究字典學(xué)習(xí)下的圖像重構(gòu)模型，并從圖像的先驗(yàn)知識(shí)入手，分析圖像的稀疏性和低秩性，提出兩種圖像重構(gòu)算法，具體如下：
　　(1)針對(duì)字典原子學(xué)習(xí)效率低，從原子庫學(xué)習(xí)入手，優(yōu)化原子使用熵，提高其學(xué)習(xí)效率；針對(duì)傳統(tǒng)全變差模型處理圖像引起的過平滑，產(chǎn)生的階梯效應(yīng)，利用加權(quán)的各向同性和各向異性全變差代替單一的全變差正則項(xiàng)。提出一種基于熵約束字典學(xué)習(xí)和加權(quán)全變差圖像重構(gòu)算法，不僅有效