基于稀疏表示与字典学习的图像去噪算法研究

西安电子科技大学学位论文创新性声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果:也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切相关责任。本入签名=差瞅咱日期M11.号.1..飞西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即:研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业离校后，发表论文或使用论文工作的成果时署名单位仍然为西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文:学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。(保密的论文在解密眉遵守此规定)本人签名:..:t命召全7吹导师签名z分/ιz_，日期、1/411..:t.~,日期w11.主.川阳州州?'阳川川句，hm川川吨。唰唰州唱'恻唰州nom川川oummm州AE·州州VE摘要图像在获取、存储、传输等过程中都会受到特定噪声的污染，造成图像质量下降，因此图像去噪是图像处理中的…个重要问题。其目的是通过一定处理尽可能消除噪声干扰，提高图像质量。近年来，稀疏表示理论受到人们的广泛关注，并成功应用于图像去噪。其理论依据是，具有一定光滑性的干净图像在适当的过完备字典下存在稀疏表示，通过选择或设计适当的字典，求出图像在该字典下的稀疏表示就可以达到去噪的目的。在图像去噪应用中，字典的选择有两种:…种是选取固定的解析字典:另一种是利用来样图像数据通过适当模型和方法学习或训练自适应的字典。由于学习字典具有对数据的自适应性，能更好地刻圃数据中的本质特征，在去噪应用中能得到更好的效果。因此本文借鉴K-SVD算法的思想，改进了前人提出的基于标准正交基联合的字典学习算法。改进后的本文算法是在更新字典的过程中实时更新系数，提高了字典学习速度:并将利用本文算法得到的结构化自适应字典(L-ONB字典〉用于图像去噪，实验结果表明，相对于固定字典，本文改进的基于学习字典的去噪算法能够得到更好的去噪效果。关键字:阁像去噪稀疏表示字典学习块协调松弛算法AbstractImagedenoisingisoneimportantprobleminthefieldofdigitalimageprocessing,becausetheimagecanbepollutedbysomespecificnoiseintheprocessofacquiring,sωrageandtranspo此，leadingtothequalitydegradation.ηlepurposeofimagedenoisingistoeliminatethenoiseinterfereswi由varietytreatments,soωtoimprovethequalityofimage.Inrecentyears,thesparserepresentation由eoryh邸drawnwideattention,andalsohasbeenappliedsuccessfullyinimagedenoising.Itstheoreticproofis也ataclearimagewithsmoothcharacterhasitssparsedecompositionundertheover-completedictionary.Therefore,wecanaccomplishtheimagedenoisingthroughωmputingthesparserepresentationafterchoosingordesigninganappropriatedictionary.Therearetwokindsofdictionariesintheapplicationforimagedenoising.Oneisfixedanalyticdictionary,theotherisadaptivedictionary,whichcanbetrainedbyappropriatemodelusing伽givenimageinformationdata.Duetoitsadaptivity,thelearneddictionarycangetbetterdenoisingresultsthanthefixeddictionary.Therefore，旭也ispaper,weimproveadictionarylearningalgorithmintroducedbypredecessors,whoseaimistolearnastructureddictionaryasunionsoforthonormalbωes.Theimprovedalgorithmcanupdatethecoefficientssimultaneously,increasingthelearningefficiency.Moreover,thestructuredadaptivedictionary(L-ONBdictionary)iscombinedwi出由edenoisingalgorithmatlast.ηmsimulationdemonstratesthatthenewalgorithmshωabetterdenoisedeffectcomparingwiththefixeddictionary.Keyword:imagedenoisingsparserepresentationdictionaryleamingblockcoordinaterelaxation丁摘要ABSTRACT目录第一章绪论..........................................................11.151亩.1.2研究意义......................................................11.3数字图像的存储..''''''''''''''''''''''''''''.''''''''''''''''''21.4数据图像的采集................................................31.5噪声图像模型及噪声特性........................................31.5.1含噪模型.................................................31.5.2噪声及其特性'''''''''''.''''''''''''''''''''''''''''''''41.6阁像质量的评价................................................41.6.1主观评价法........•......................................41.6.2客观评价法...............................................51.7本文组织安排'''''''''''''''''''''''''''''''''''''''''''''''''''6第二意图像去噪综述及稀疏表示理论......''.........•.'...........''..92.1号|盲''''''''''''..''''''''''''''''''''''''''''''..''''''''''''''92.2传统去噪方法介绍............................................•.92.3稀疏表示理论'''''''''''''''''''''''''''''''''''''''''''''''''112.3.1稀疏表示理论背景........................................112.3.2稀疏表示理论基础.....................•.................•122.3.3稀疏分解算法............................................142.4本章小结.....................................................17第五章基于稀疏表示与字典学习的图像去噪框架........................193.1基于贝叶斯最大后验估计的图像稀疏模型...........•.............193.1.1小块阁像的稀疏模型''.''''''''''''''''''''''''''''''..''''193.1.2整个图像的稀疏模型......................................193.1.3模型的数字求解..........................................203.2慕于字典学习的稀疏性和冗余性.................................213.2.1基于干净的例子图像的字典学习............................213.2.2基于噪声图像的字典学习与最终的去噪算法..................223.3试验结果...............................•.....................243.4本章小结................................•...••...............26第四意基于L组标准正交基的联合字典的图像去噪......................274.1BCR算法.....................................................274.1.1字典只包含一个ONB的情况..............................274.1.2BCR算法-L~ONB联合字典的情况'''''''''.'''''''''''''.284.1.3BCR算法的实验分析.....................................284.2基于SVD分解的联合字典学习新算法............................294.2.1SVD分解的原理.........................................294.2.2L-ONB字典的学习.......................................304工3改进的L-ONB字典学习算法..............................304.3基于L-ONB字典学习算法的实验结果及分析......................314.3.1初始化字典的选择...............................................................................314.3.2L~ONB字典学习.............................•...........314.3.3去噪结果.•.........•....................................324.4本章总结.....................................................36第五章总结与展望...................................................375.1本文的工作总