基于區(qū)域劃分的稀疏表示去噪算法研究.pdf

1、在數字圖像處理中圖像去噪一直是一個重要的研究方面，近幾年稀疏表示理論是研究熱點之一。通過選擇或者設計合適的超完備字典，稀疏表示可以有效地提取圖像中主要特征，盡可能用簡便的方式表示圖像。傳統的圖像去噪將圖像投影到某個變換域中，在變換域中將信號和噪聲進行分離。然而圖像在變換域中，信號和噪聲并不能完全分離，所以對圖像進行去噪時對原始圖像信息會有損傷，用基于稀疏表示的方法進行圖像去噪，噪聲不是信號中稀疏成分，所以可以將信號與噪聲進行分離。本文主

2、要工作包括:
　　(1)基于K-SVD學習型字典的去噪算法研究
　　分析傳統去噪基本思想和算法，進行高斯濾波、雙邊濾波、維納濾波、非局部去噪(Non-local Means，NLM)等傳統去噪方法實驗。研究了稀疏表示相關理論和稀疏去噪的基本模型，分析稀疏分解和字典學習兩個環(huán)節(jié)。在圖像去噪中，相對于傳統的字典，K-奇異值分解(K-Singular Value Decomposition，K-SVD)學習型字典通過機器學習獲得，

3、包含圖像的自有特征，去噪效果更好。實驗結果表明自適應字典去噪效果一般情況下比離散余弦變換(Discrete Cosine Transform，DCT)字典，全局字典(Global Dictionary，GD)要好。
　　(2)給出了一種基于區(qū)域劃分的稀疏表示去噪算法
　　針對一幅自然圖像中既包含非平滑區(qū)域，又包含平滑區(qū)域，本文給出基于區(qū)域劃分的稀疏表示去噪算法。首先通過研究，發(fā)現基于不同的稀疏表示去噪算法對同一幅圖像不同類型

4、區(qū)域的去噪效果不同，得知不同的算法針對不同的區(qū)域有不同的去噪效果，然后采用圖像邊緣信息測度中的方向性信息測度，將一幅圖像劃分為非平滑區(qū)域和平滑區(qū)域兩部分，結合不同的稀疏表示去噪算法，恢復原始的圖像。實驗結果表明，本文算法要好于單獨使用同一種稀疏表示去噪算法。
　　(3)給出了一種改進聚類特征CSR去噪算法
　　本文給出了一種改進基于聚類稀疏表示去噪算法。在常規(guī)的基于聚類稀疏表示(Clustering-based Sparse

5、 Representation，CSR)去噪算法的字典獲取過程中，將原始數據采用下采樣的方式進行多尺度表達，訓練相關的圖像字典。但是圖像的下采樣會丟失部分的圖像信息，并且在后續(xù)的圖像塊聚類過程中會造成塊信息的不匹配。最終會對圖像去噪的結果產生不良的影響。本文通過采用非下采樣高斯差分金字塔算法，不改變圖像尺寸的大小，實現圖像的多尺度表達，提高圖像塊聚類的精度，進而提高主成分分析的準確度，使得圖像字典更能表達圖像的特征。實驗結果表明，改進后