基于稀疏表示和字典學習的圖像去噪研究.pdf

1、對圖像進行去噪，不僅可以便于人們更好的理解圖像信息，而且可以方便人們進行后續(xù)的圖像處理，該技術(shù)在醫(yī)藥學、航天、軍事、工農(nóng)業(yè)等諸多方面發(fā)揮著重要的作用。因此，圖像去噪是圖像處理的重要內(nèi)容，受到越來越多人的關(guān)注。近年來，將稀疏表示用于圖像去噪是該領域的研究熱點。本文主要是基于稀疏表示理論來對圖像去噪方法進行研究的，分別研究了稀疏表示固定字典和學習型字典的去噪方法及流程。在對稀疏表示去噪算法原理理解的基礎上，提出了一種新的去噪方法，在去噪效果

2、和速度上都有所提高。本文的具體工作內(nèi)容如下：
　　（1）分析了傳統(tǒng)圖像去噪基本理論及方法，并進行了中值濾波、維納濾波、小波去噪等傳統(tǒng)去噪方法的實驗。深入研究了稀疏表示相關(guān)理論，分析了稀疏去噪的基本模型，并基于固定的DCT字典和Gabor字典進行了實驗。通過實驗效果對比，發(fā)現(xiàn)稀疏表示理論在圖像去噪領域的優(yōu)勢。
　　（2）基于K-SVD學習型字典的去噪模型框架，分析了字典學習和稀疏分解兩個關(guān)鍵環(huán)節(jié)。相比于傳統(tǒng)的固定字典，由于學習

3、型字典是通過機器學習得到，其包含有圖像的自有特征，所以一般情況下其去噪效果更好。在對學習型字典去噪實驗的過程中，本文依據(jù)圖像中所含紋理內(nèi)容的多少建立測試圖像集，并分別采用K-SVD全局字典和自適應字典進行了實驗，比較了這兩種字典的去噪效果：全局字典對紋理較少的結(jié)構(gòu)圖像有較好的去噪效果；自適應字典對紋理較多的圖像有較好的去噪效果。
　?。?）對學習型字典的去噪效果進行了分析，提出了基于MCA圖像分解的稀疏表示去噪思路：即將圖像分解為