基于非局部模型與字典學(xué)習(xí)的自然圖像去噪方法研究.pdf

1、圖像是一種常見的信息載體，也是人們獲取信息的重要來源。然而，由于各種外界自然因素的影響，圖像在采集、傳輸過程中不可避免地受到噪聲的干擾。噪聲不僅降低了圖像的視覺質(zhì)量，而且極大地破壞了圖像的特征信息。因此，在圖像處理領(lǐng)域里，圖像去噪是一個(gè)非常重要的環(huán)節(jié)。
　　圖像，特別是自然圖像，具有很高的自相似性，存著大量的冗余信息。近年來，根據(jù)圖像的自相似性與信息冗余性，人們分別提出了非局部模型與稀疏模型，并被廣泛地應(yīng)用于圖像去噪領(lǐng)域。本文結(jié)合

2、這兩種模型，圍繞自然圖像去噪問題，主要做了以下工作：
　　(1)提出了基于字典學(xué)習(xí)與非局部全變分正則的圖像去噪方法。該方法是通過對(duì)非局部全變分模型進(jìn)行簡(jiǎn)化，并在簡(jiǎn)化模型的基礎(chǔ)上，將點(diǎn)模型拓展到基于基于字典學(xué)習(xí)的塊模型。通過大量的實(shí)驗(yàn)證明：改進(jìn)后的去噪方法法較之前的方法無論是主觀視覺上還是客觀評(píng)價(jià)指標(biāo)上都有一定的提高；該方法與相關(guān)類似方法相比，在保持邊緣細(xì)節(jié)信息上具有一定的優(yōu)勢(shì)。
　　(2)提出了基于字典學(xué)習(xí)與非局部結(jié)構(gòu)相似的

3、維納濾波圖像去噪方法。該方法是針對(duì)最優(yōu)維納濾波器沒有充分利用圖像冗余信息這一問題，通過基于字典學(xué)習(xí)的方式挖掘圖像的稀疏特性，并結(jié)合非局部模型與結(jié)構(gòu)聚類提出的一種改進(jìn)方法。通過大量的實(shí)驗(yàn)證明：改進(jìn)后的去噪方法與之前方法相比，在主觀視覺上和客觀指標(biāo)上均有一定的提高；該方法與一些相關(guān)類似方法相比，在保證圖像平滑去噪效果的同時(shí)，在圖像的邊緣紋理等結(jié)構(gòu)信息上也具有很好的表現(xiàn)。
　　(3)提出了基于形狀自適應(yīng)與奇異值分解的非局部維納濾波器。該

4、方法是在非局部模型下，根據(jù)分析非局部聯(lián)合稀疏模型與奇異值分解之間的聯(lián)系，提出了一種基于奇異值分解的維納濾波器。另外，在此基礎(chǔ)上還融入了一種基于局部多項(xiàng)式-置信區(qū)間交叉的形狀自適應(yīng)圖像塊方法。通過大量的實(shí)驗(yàn)證明：該方法相對(duì)于基于非局部聯(lián)合稀疏模型的去噪方法具有更好的去噪效果，且與其它相關(guān)類似方法相比，在主觀上及客觀上仍其性能具有一定的競(jìng)爭(zhēng)力。
　　本論文工作得到了國(guó)家自然科學(xué)基金60970066、高等學(xué)校學(xué)科創(chuàng)新引智計(jì)劃（111計(jì)劃