基于稀疏表示的图像去噪算法研究

发布时间：2021-01-21 12:13

　　图像在产生、传输和获取过程中非常容易受到噪声的干扰,图像去噪是图像处理和分析中必不可少的预处理步骤。近几十年来,相关问题的研究一直是该领域学者关注的热点。针对目前基于稀疏表示的图像去噪算法去噪精度不高的问题,本文给出了两种图像去噪改进算法,主要内容如下。1.针对目前基于稀疏表示的去噪方法容易丢失图像细节,造成图像去噪质量不高的问题,本文提出了一种在非局部框架下的基于低秩和稀疏表示的图像去噪方法。所提出的算法主要由两步构成:首先,把相似的图像块匹配分组,建立低秩矩阵恢复模型,然后利用随机矩阵理论实现初步去噪;其次,通过非局部稀疏表示方法去除图像中的伪影。理论分析和实验结果都表明,所提出的方法相对于目前流行的同类去噪方法能够更好地滤除噪声,保留图像细节信息,得到更佳的图像视觉效果。2.针对目前基于K-SVD字典学习的图像去噪算法去噪能力不强的问题,本文综合考虑现有字典学习算法的特性,提出了一种基于稀疏表示的图像去噪优化算法。其主要思路是利用稀疏编码和字典学习算法,用尽可能少的原子信息来表示信号的主要信息,能够很好地保持原始图像的结构和纹理信息。具体说来,所提出的算法使用AK-SVD算法进行... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

本章使用的4幅测试图像

重庆邮电大学硕士学位论文第3章基于非局部自相似性的图像去噪算法研究33图3.3四幅图像的去噪结果表3.5仅使用低秩恢复方法去噪与组合使用稀疏表示方法去噪的PSNR(dB)/PSNR153050100low-rankfinallow-rankfinallow-rankfinallow-rankfinalLena36.1136.2731.3631.5729.0329.7725.4626.08House36.8136.9132.5232.7030.2230.5127.1927.37Barbara35.4035.3730.2330.3427.7827.8623.2123.50Camera34.0934.2629.2329.4726.9927.0225.2325.35

重庆邮电大学硕士学位论文第3章基于非局部自相似性的图像去噪算法研究34表3.6四幅图像去噪的PSNR(dB)(最佳结果以粗体显示)/PSNR1530NCSRLSSCBM3D本章算法NCSRLSSCBM3D本章算法Lena34.1234.1834.2734.5231.0631.2231.2631.57House35.0635.2934.4735.2832.0632.3432.1032.61Barbara33.0633.0133.1133.4929.6329.6429.8730.43Camera31.9832.0732.9333.2228.7828.8828.9629.16Average33.5533.6433.7034.1330.3830.5230.6430.94/PSNR50100NCSRLSSCBM3D本章算法NCSRLSSCBM3D本章算法Lena28.9128.9428.9529.4825.7325.9625.9526.49House29.6229.9829.9930.6725.5725.7825.8827.27Barbara26.9927.0827.2327.9323.2023.2223.6224.56Camera26.6727.8227.7327.9524.0223.9723.6224.57Average28.0428.4628.4829.0124.6324.6324.7725.70图3.4对House图像的去噪结果


本文编号：2991138