基于樣例學習的稀疏表示圖像去噪方法研究.pdf

1、地基望遠鏡的空間目標在成像過程中受到大氣湍流、傳感器熱噪聲、空間微塵以及目標高速移動的影響，采集到的圖像呈現(xiàn)一定程度的退化現(xiàn)象。為了從退化的數(shù)據(jù)中恢復質(zhì)量更好的圖像，國內(nèi)外研究學者在圖像去模糊、圖像超分辨，圖像去噪等方面提出了多種方法。針對噪聲的影響學者提出了許多去噪方法，并在實際的生產(chǎn)生活中得到應用。為了消除噪聲對空間目標圖像的影響，本文結(jié)合稀疏表示和空間目標圖像特點進行圖像去噪研究。
　　本文的課題來源是國家重點實驗室項目“基

2、于XXX空間目標圖像融合方法研究”。研究中發(fā)現(xiàn)，空間衛(wèi)星目標存在如下特點：（1）在軌衛(wèi)星目標數(shù)量有限；（2）重點觀測的衛(wèi)星目標多數(shù)已知其形狀；（3）不同衛(wèi)星目標具有相似的部件和形狀特征。本文基于成像目標的這些先驗信息，針對噪聲的影響，開展基于樣例學習的稀疏表示圖像去噪方法研究，充分利用噪聲圖像在高質(zhì)量圖像庫中相似部分的信息改進過完備字典的學習，結(jié)合稀疏去噪模型提出了兩種基于相似樣例的圖像稀疏去噪方法。
　　1.基于局部相似樣例學習

3、的稀疏去噪算法。該算法以SIFT關(guān)鍵點周圍n×n的圖像塊作為學習樣例。首先使用SIFT算法對已知圖像庫中的每一幅圖像提取SIFT關(guān)鍵點位置和對應的特征描述符構(gòu)建SIFT特征群；其次，提取噪聲圖像的SIFT關(guān)鍵點位置和對應的特征描述符并在 SIFT特征群里尋找相似的匹配；最后將所有獲取的局部圖像塊作為過完備字典學習的樣例輸入。由于該算法提高了學習樣例與噪聲圖像的關(guān)聯(lián)性，在一定程度上增強了過完備字典對圖像局部信息的表示能力，所以可以獲得更好

4、的去噪效果。
　　2.基于區(qū)域相似樣例學習的稀疏去噪算法。首先使用SIFT和MSER算法對已知圖像庫中的每一幅圖像提取SIFT特征描述符和MSER區(qū)域構(gòu)建SIFT-MSER特征簇集合；其次，提取噪聲圖像的SIFT-MSER特征簇并在SIFT-MSER特征簇集合里尋找相似的匹配；然后取所有匹配到的SIFT-MSER特征簇所在的MSER區(qū)域作為過完備字典學習的樣例輸入；最后使用過完備字典對噪聲圖像進行稀疏分解與重構(gòu)獲取最終的去噪圖像。