基于改進(jìn)K-SVD字典的壓縮光場(chǎng)重構(gòu)與圖像去噪研究.pdf

1、海量數(shù)據(jù)處理是現(xiàn)代信號(hào)處理的挑戰(zhàn)之一，已成為當(dāng)下的研究熱點(diǎn)。本文基于壓縮感知理論和光場(chǎng)成像，較詳細(xì)的總結(jié)歸納了目前在該領(lǐng)域的研究成果，并分析存在的難點(diǎn)與問題，改進(jìn)了基于K-SVD字典的壓縮光場(chǎng)重構(gòu)與強(qiáng)噪聲圖像去噪。本文主要工作成果如下:
　　1.研究了壓縮感知理論的基本數(shù)學(xué)框架，即稀疏表示、測(cè)量矩陣和重構(gòu)算法，并利用數(shù)值仿真詳細(xì)分析了稀疏表示和重構(gòu)算法的數(shù)學(xué)模型，歸納了各類模型的適用條件。
　　2.改進(jìn)了K-SVD字典去噪算

2、法，給出了基于K-SVD字典的梯度重權(quán)非局部平均算法。考慮到強(qiáng)噪聲圖像的情況下，利用改進(jìn)算法對(duì)強(qiáng)噪聲圖像去噪。改進(jìn)算法基于K-SVD字典學(xué)習(xí)的數(shù)學(xué)模型，對(duì)原信號(hào)疊加了結(jié)構(gòu)約束，利用全變分算法求得圖像的結(jié)構(gòu)梯度，對(duì)邊緣信息賦予更高權(quán)重，結(jié)合了圖像結(jié)構(gòu)的稀疏先驗(yàn)性和相似性，以求解優(yōu)化的逆問題。利用數(shù)值仿真，對(duì)比了改進(jìn)算法和傳統(tǒng)的K-SVD字典去噪性能，當(dāng)噪聲標(biāo)準(zhǔn)差高達(dá)50時(shí)，輸入噪聲信噪比為7.954dB，改進(jìn)算法去噪效果最好，且峰值信噪比

3、優(yōu)于傳統(tǒng)去噪算法0.2dB、結(jié)構(gòu)相似度改善了0.02;當(dāng)噪聲標(biāo)準(zhǔn)差達(dá)到100時(shí)，輸入噪聲信噪比為1.961dB，改進(jìn)算法仍優(yōu)于傳統(tǒng)算法，驗(yàn)證了改進(jìn)算法在輸入噪聲信噪比為7.954dB到1.961dB范圍內(nèi)去噪效果優(yōu)勢(shì)最明顯。同時(shí)，對(duì)比了不同類圖像的實(shí)驗(yàn)結(jié)果，驗(yàn)證了改進(jìn)算法能更好保留原圖像的輪廓細(xì)節(jié)，更適用于處理涵蓋少量紋理信息而大量輪廓信息的圖像。
　　3.改進(jìn)了套索回歸重構(gòu)算法，推導(dǎo)、分析了優(yōu)化閾值估計(jì)，利用優(yōu)化閾值的套索回歸算

4、法來重構(gòu)光場(chǎng)。研究了光場(chǎng)成像的數(shù)學(xué)框架:光場(chǎng)信息的函數(shù)化、編碼光場(chǎng)的采集、壓縮光場(chǎng)重構(gòu)。重點(diǎn)研究壓縮光場(chǎng)重構(gòu)，利用K-SVD字典獲得光場(chǎng)原子，并采用改進(jìn)的優(yōu)化閾值的套索回歸算法，實(shí)現(xiàn)了光場(chǎng)的重構(gòu)。分析討論了改進(jìn)算法與傳統(tǒng)的求解l1范數(shù)問題的算法的差異，對(duì)5×5的原光場(chǎng)信息重構(gòu)，在灰度圖像處理和彩色圖像處理的不同結(jié)果中，證明了改進(jìn)算法更適用于高維信號(hào)，與傳統(tǒng)的求解l1范數(shù)算法比較，具備較高重構(gòu)精度和較快收斂速度，然而，改進(jìn)算法卻縮小了重構(gòu)