稀疏梯度域非参数贝叶斯字典学习图像去噪方法研究

发布时间：2021-01-09 14:32

　　在人类日常生活中,图像扮演了越来越重要的角色,图像蕴含了丰富的信息,但图像受到各种各样的因素的影响,从而导致其质量不佳。一般情况下,图像会被噪声污染,直接影响到图像的视觉效果,为了解决该问题,图像去噪技术因此得到了成熟的发展,主要目的为既能高效地去除图像噪声,又能有效地保留图像的有用信息,包括图像的纹理和边缘信息等。近些年来,随着信号的稀疏表示理论的不断完善,基于稀疏表示理论的字典学习方法得到了成熟的发展。考虑到原始图像在合适的字典下具有稀疏性而噪声通常无这一特性,因此,研究学者们为解决图像去噪问题提出了很多有效解决方案。基于稀疏表示的图像去噪方法对图像噪声方差难以确定,且传统字典学习方法难以解决参数自动选择问题。而非参数贝叶斯字典学习方法能有效地解决该问题。考虑到图像在梯度域具有良好稀疏性以及非局部自相似特性,分别提出了稀疏梯度域非参数贝叶斯字典学习图像去噪方法和梯度域补丁分组贝叶斯学习图像去噪方法。图像在梯度域的稀疏性一般优于空间域,提出稀疏梯度域非参数贝叶斯字典学习图像去噪方法。考虑整个图像去噪模型是一个多变量耦合问题,难以直接求解。利用Bregman和交替迭代方法把该问题分解为... 

【文章来源】：华东交通大学江西省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图2-1两种不同的字典构造方法产生的字典（a）DCT解析字典（b）字典学习

(c) α0=60 (d) α0=1200图 3-1 不同集中参数 α0下 G 的分布情况Fig.3-1 The distribution under the different concentration parameter3.2.3 典型的狄利克雷过程构建方法一般地，DP 没有清晰的表达式，不能直接使用 DP 的基本定义对 DP 直接进行采样和预测未知数据，后来，多种 DP 的构建方法因此诞生。例如：波里亚罐模型[37]（Polya Urn Model）、中国餐馆过程[38]（Chinese Restaurant Process, CRP）、Pitman-Yor[39]、截棍过程[40]（Stick-breaking process）等。下面主要介绍波里亚罐模型、截棍过程。1）波利亚罐模型Blackwell 和 MacQueen 于 1973 年提出波利亚罐子模型（Blackwell MacQueenModel），作为一个经典的统计模型，有很多概率分布基于此模型得出，模型的含义为：有 n 个球装在一个罐子中，这些球有 m 种颜色，每种颜色球对应的个数为 (1 )iy i m，每次随机取出罐子中的一个球，先记录这个球的颜色，然后

4.3 实验仿真及结果分析在本节中，通过实验仿真分析提出的图像去噪算法的性能。在实验仿真中，如图4-1所示，选用8张不同的灰度图像作为实验仿真对象，仿真实验在MATLABR2014a 的软件环境下完成，硬件条件是英特尔四核 CPU，频率 3.30GHz，内存16GB。分别使用提出的算法、GradDLRec 算法和 DLMRI 算法对图像去噪。其中，DLMRI 算法参数设置：字典大小 P=36，图像块大小 P1/2=6


本文编号：2966835