基于奇異值分解的自適應混合閾值去噪算法.pdf

1、在圖像的采集和傳輸過程中，圖像難免會受到噪聲的污染，為了提高圖像的視覺效果和圖像后續(xù)處理，我們需要對噪聲圖像進行去噪增強處理。作為一種數據降維的子空間算法的一種，基于奇異值分解(SVD)的閾值收縮技術在圖像去噪領域中得到廣泛應用。這種方法將含噪信號向量空間分解為分別由真實信號主導和噪聲信號主導的兩個子空間，然后通過去除落在“噪聲空間”中的帶噪信號分量估計真實信號。
　　基于低秩先驗的奇異值閾值收縮方法將含噪圖像Y分解為Y=UTAV

2、的形式，其中U和V為正交矩陣，A為含噪圖像矩陣Y的特征值矩陣，通過對于矩陣A對角線上的特征值選取合適的閾值進行收縮處理，從而達到降噪的目的。一般的低秩逼近去噪算法采用硬閾值或軟閾值的收縮方式;然而，經典的硬閾值或軟閾值收縮并不是最優(yōu)的圖像去噪方法。同時，為了增強圖像去噪效果，傳統(tǒng)算法利用觀察圖像和中間估計結果構造反投影迭代過程，漸進地達到較好的圖像去噪效果.雖然反投影的迭代過程可以在一定程度上提升去噪效果，但是固定的參數設置使得算法本身

3、缺少自適應性，造成迭代次數多、運行時間長和去噪效果有待提高等弱點。
　　為了改善一般低秩逼近去噪算法的不足，本文從兩個方面進行創(chuàng)新，以提高去噪算法的有效性.
　　(1)奇異值混合閾值收縮去噪方法.利用圖像自相似性構造低秩矩陣，通過奇異值閾值收縮進行圖像低秩去噪.為了恢復圖像的重要特征結構，改變傳統(tǒng)的采用單一閾值的思想，采用軟、硬閾值相結合的混合閾值方式進行閾值收縮。一方面，利用以非局部自相似性和低秩逼近為基礎的硬閾值逼近來選

4、取硬閾值的快速選取方法;另一方面，基于隨機矩陣和漸近矩陣重構理論設計軟閾值的選取方法.
　　(2)基于圖像相位一致性和梯度計算的反投影迭代方法.在迭代的反投影重建過程中，利用圖像相位一致性、梯度計算和投影增強技術，構造適應圖像特征的自適應函數，使得參與迭代的輸入圖像具有自適應性.這種方法改變了傳統(tǒng)的固定系數的反投影方法，在一定程度上減少了迭代運算的次數，取得了較好的圖像去噪效果。
　　利用基于奇異值分解的自適應混合閾值去噪算