基于非局部相似性和稀疏表示的图像去噪技术研究

发布时间：2017-09-30 05:30

  本文关键词：基于非局部相似性和稀疏表示的图像去噪技术研究

  更多相关文章： 图像去噪 混合噪声 非局部相似 稀疏表示 变分模型

【摘要】：图像去噪是以观测到的图像为依据,根据图像本身的先验知识和退化模型来得到反应真实场景的图像,它是保证人们正确理解图像信息的重要手段。根据噪声的来源和污染模型不同,可以将噪声分为多种形式。本文主要研究受高斯噪声和冲击噪声所组成的混合噪声污染的情况。图像的非局部相似性和稀疏性是图像的两种重要的先验知识,本文以变分模型为基础将这两种先验知识结合起来,通过求解变分模型来得到去噪后图像。所做工作如下:1、对高斯噪声、冲击噪声以及混合噪声的形成进行了分析,构建了混合噪声的污染模型。对前人提出的一些经典的去噪算法进行了实验仿真,并对这几种算法的优缺点进行了总结分析。2、详细研究了通过稀疏表示进行图像去噪的原理、模型和算法。将稀疏表示应用于混合噪声的去除中,通过构建有效的训练字典来得到图像的稀疏表示先验,对稀疏模型求解得到去噪图像。3、对于在混合噪声下求取图像的非局部相似性先验进行了研究分析。将非局部相似性用于混合噪声的去除中,对相关算法进行了实验仿真。4、对如何将稀疏表示先验和非局部相似先验融合在一起进行了研究。将两种先验知识融合进变分模型中,对变分模型的数据保真项和正则项进行优化设计,求解变分模型可以得到稀疏表示系数,最终得到效果较为理想的去噪图像。
【关键词】：图像去噪 混合噪声 非局部相似 稀疏表示 变分模型
【学位授予单位】：西南科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-13
• 1.1 本课题研究的背景、目的和意义8-9
• 1.2 图像去噪发展历程与研究现状9-11
• 1.3 本文主要研究内容11-13
• 2 图像噪声去除算法概述13-30
• 2.1 图像噪声类型介绍13-18
• 2.1.1 高斯噪声及模型14-15
• 2.1.2 冲击噪声及模型15-16
• 2.1.3 混合噪声及模型16-18
• 2.2 图像去噪算法分类介绍18-27
• 2.2.1 基于空间域的图像去噪算法18-23
• 2.2.2 基于变换域的图像去噪算法23-27
• 2.3 图像质量评价标准和方法27-29
• 2.3.1 客观评价标准27-28
• 2.3.2 主观评价标准28-29
• 2.4 本章小结29-30
• 3 改进的非局部平均去噪算法及稀疏表示介绍30-42
• 3.1 局部平均滤波去噪算法介绍30-32
• 3.2 非局部平均滤波去噪算法及优化32-36
• 3.2.1 非局部平均去噪算法分析32-33
• 3.2.2 改进后的非局部平均去噪算法33-36
• 3.3 基于稀疏表示的图像去噪算法36-41
• 3.3.1 稀疏表示模型36-38
• 3.3.2 稀疏分解算法38-39
• 3.3.3 基于噪声图像的字典训练算法及去噪算法39-41
• 3.4 本章小结41-42
• 4 融合非局部相似性和稀疏表示的混合噪声去除算法42-62
• 4.1 算法概述43-44
• 4.2 混合噪声下非局部相似性求解44-50
• 4.2.1 初始图像的获取45-48
• 4.2.2 求解非局部相似先验48-50
• 4.3 混合噪声图像的稀疏表示50-56
• 4.3.1 混合噪声图像的稀疏编码50-52
• 4.3.2 混合噪声下的字典学习算法52-56
• 4.4 融合非局部相似性和稀疏表示的图像去噪算法56-60
• 4.4.1 变分模型介绍57-58
• 4.4.2 本文算法变分模型的构建58-59
• 4.4.3 求解变分模型59-60
• 4.5 本章小结60-62
• 5 仿真实验测试及分析62-72
• 5.1 去噪模型参数设置62
• 5.2 实验结果及分析62-71
• 5.2.1 去噪效果示例63-70
• 5.2.2 实验分析70-71
• 5.3 本章小结71-72
• 总结与展望72-74
• 致谢74-75
• 参考文献75-80
• 攻读学位期间发表的学术论文及研究成果80

，

本文编号：946434