基于K-SVD的字典學習算法及應(yīng)用研究.pdf

1、人們在進行信息的交流、處理、傳輸和保存時，往往通過聲音、圖像以及文字和視頻，其中圖像是最能直接表達和接受的視覺信息。但是，在圖像的接受、傳輸和保存的過程中，經(jīng)常會受到工作環(huán)境、器件等性能的影響，直接影響圖像質(zhì)量，這將可能導致圖像中的某些像素值發(fā)生改變，形成噪聲。因此，圖像去噪尤為重要，直接影響著人或機器對圖像內(nèi)容的正確理解。近年來，信號的稀疏表示理論（Sparse Representation）發(fā)展迅速，其表示模型為通過原子的線性組合來

2、描述圖像信號，而這些原子是從某個字典（Dictionary）中獲取而來，當求出噪聲信號在該字典下的稀疏表示后即可重建出干凈的信號，以達到去除噪聲的目的。對于字典的選取，通常有兩種方式：一種是選取固定的分析字典，另外一種是根據(jù)現(xiàn)有的樣本數(shù)據(jù)進行訓練，通過學習得出自適應(yīng)于目標信號的字典。
　　本文著眼于K-SVD（K-Singular Value Decomposition）字典學習算法，并針對圖像中脈沖噪聲的去除問題展開研究，提出了

3、一種基于修正K-SVD算法的圖像脈沖噪聲去除方法。主要研究內(nèi)容如下：
　　(1)詳細分析了稀疏表示的基本理論和基于該理論的圖像去噪模型；
　　(2)提出了一種修正K-SVD的字典學習算法，通過抑制樣本數(shù)據(jù)中的沖擊成分對剩余有效信息進行訓練，并從中學習出自適應(yīng)于目標信號的冗余字典；
　　(3)提出了一種基于修正K-SVD算法的圖像脈沖噪聲去除方法。首先通過ROLD（Rank-Ordered Logarithmic Dif