基于稀疏表示的圖像混合噪聲去除算法.pdf

1、高斯白噪聲與椒鹽噪聲按一定比例混合得到混合噪聲，去除混合噪聲是圖像去噪中的難點(diǎn)。傳統(tǒng)的去除混合噪聲算法往往采用兩項(xiàng)去噪方式，即先檢測(cè)椒鹽噪聲點(diǎn)位置，然后再去除高斯白噪聲。兩項(xiàng)去噪方法缺乏對(duì)圖像結(jié)構(gòu)邊緣信息的保留，而且時(shí)間復(fù)雜度較高。新興的稀疏表示去噪算法在去除高斯白噪聲方面具有十分理想的去噪效率，但是無法處理復(fù)雜的混合噪聲。通過將對(duì)混合噪聲分析獲得的噪聲分布先驗(yàn)引入稀疏分解過程中，結(jié)合自適應(yīng)非線性濾波器初始化圖像，能夠讓稀疏表示算法在混

2、合噪聲去噪中得到良好的噪聲抑制效果。本文主要?jiǎng)?chuàng)新點(diǎn)如下:
　　1.針對(duì)稀疏表示去噪算法無法有效處理混合噪聲的問題，采用自適應(yīng)中值濾波AMF(Adaptive Median Filter,AMF)方法對(duì)帶噪圖像進(jìn)行初始化。同時(shí)，利用K奇異值分解(K-singular Value Decomposition，K-SVD)方法對(duì)圖像結(jié)構(gòu)進(jìn)行學(xué)習(xí)得出稀疏表示冗余字典。在學(xué)習(xí)到的字典下采用自適應(yīng)閾值估計(jì)的回溯自適應(yīng)正交匹配追蹤(Backtr

3、acking-based Adaptive Orthogonal Matching Pursuit，BAOMP)分解算法，BAOMP算法在選擇原子和優(yōu)化支撐集方面具有更為靈活的特點(diǎn)，較傳統(tǒng)貪婪算法有更小的迭代時(shí)間消耗以及較好的魯棒性。實(shí)驗(yàn)結(jié)果表明，結(jié)合自適應(yīng)中值濾波與稀疏表示的混合噪聲去噪算法具有更強(qiáng)的噪聲抑制能力，同時(shí)在大噪聲下有較低的時(shí)間復(fù)雜度。
　　2.通過分析混合噪聲分布特性，采用自適應(yīng)加權(quán)的方法將噪聲分布先驗(yàn)引入稀疏分解

4、過程中，提出了回溯自適應(yīng)加權(quán)的正交匹配追蹤(Backtracking-based Adaptive Weighted Orthogonal Matching Pursuit，BAWOMP)分解算法。在選擇原子階段，將自適應(yīng)中值濾波器初始化后的圖像與原始噪聲圖像進(jìn)行相減，得出的殘差以加權(quán)的方式與稀疏分解中的原子選擇相結(jié)合自適應(yīng)優(yōu)化支撐集，減少噪聲對(duì)稀疏表示支撐原子的干擾。實(shí)驗(yàn)表明，加權(quán)后的稀疏分解具有更強(qiáng)的混合噪聲適應(yīng)能力，增強(qiáng)了算法整體