图像去噪稀疏表示字典学习块协调松弛算法论文

1、图像去噪论文：基于稀疏表示与字典学习的图像去噪算法研究【中文摘要】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一个重要问题。其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。在图像去噪应用中,字典的选择有两种：一种是选取固定的解析字典；另一种是利用采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

2、好地刻画数据中的本质特征,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。【英文摘要】Image denoising is one important problem in the field of digital image processing, because the image can be pol

3、luted by some specific noise in the process of acquiring, storage and transport, leading to the quality degradation. The purpose of image denoising is to eliminate the noise interferes with variety treatments, so as to improve the quality of image.In recent years, the sparse representation theory ha

4、s drawn wide attention, and also has been applied successfully in image denoising. Its theoretic .【关键词】图像去噪 稀疏表示 字典学习 块协调松弛算法【英文关键词】image denoising sparse representation dictionary learning lock coordinate relaxation【目录】基于稀疏表示与字典学习的图像去噪算法研究摘要3-4Abstract4第一章 绪论7-151.1 引言71.2 研究意义7-81.3 数字图像的存储8-91.4

5、数据图像的采集91.5 噪声图像模型及噪声特性9-101.5.1 含噪模型9-101.5.2 噪声及其特性101.6 图像质量的评价10-121.6.1 主观评价法10-111.6.2 客观评价法11-121.7 本文组织安排12-15第二章 图像去噪综述及稀疏表示理论15-252.1 引言152.2 传统去噪方法介绍15-172.3 稀疏表示理论17-232.3.1 稀疏表示理论背景17-182.3.2 稀疏表示理论基础18-202.3.3 稀疏分解算法20-232.4 本章小结23-25第三章 基于稀疏表示与字典学习的图像去噪框架25-333.1 基于贝叶斯最大后验估计的图像稀疏模型25-

6、273.1.1 小块图像的稀疏模型253.1.2 整个图像的稀疏模型25-263.1.3 模型的数字求解26-273.2 基于字典学习的稀疏性和冗余性27-303.2.1 基于干净的例子图像的字典学习27-283.2.2 基于噪声图像的字典学习与最终的去噪算法28-303.3 试验结果30-323.4 本章小结32-33第四章 基于L组标准正交基的联合字典的图像去噪33-434.1 BCR算法33-354.1.1 字典只包含一个ONB的情况33-344.1.2 BCR算法L-ONB联合字典的情况344.1.3 BCR算法的实验分析34-354.2 基于SVD分解的联合字典学习新算法35-374.2.1 SVD分解的原理35-364.2.2 L-ONB字典的学习364.2.3 改进的L-ONB字典学习算法36-374.3 基于L-ONB字典学习算法的实验结果及分析37-424.3.1 初始化字典的选择374.3.2 L-ONB字典学习3