【摘要】：圖像處理的最基本問(wèn)題是圖像去噪，隨著壓縮感知的興起與推廣，越來(lái)越多的學(xué)者開(kāi)始關(guān)注稀疏表示理論及其應(yīng)用，基于稀疏表示的圖像去噪成為近年來(lái)該領(lǐng)域的前沿研究課題。論文研究了稀疏表示理論，探討了原子庫(kù)構(gòu)造和稀疏分解兩個(gè)關(guān)鍵性問(wèn)題。在此基礎(chǔ)上，，對(duì)基于過(guò)完備字典稀疏表示的圖像去噪方法進(jìn)行了探索性研究。 在稀疏表示理論中，字典的構(gòu)造方法有兩種：一種是選取固定基組構(gòu)成解析型的字典；另一種是基于訓(xùn)練樣本學(xué)習(xí)得到自適應(yīng)字典。固定基構(gòu)造的字典雖然不能自適應(yīng)表示信號(hào)的結(jié)構(gòu)特征，但具有很快的執(zhí)行速度，在實(shí)際中仍然廣泛應(yīng)用。論文選擇課題組前期提出的全相位雙正交變換(APBT)構(gòu)造原子庫(kù)，并將幾種基函數(shù)組合成混合原子庫(kù)，提出基于該類字典表示的圖像去噪方法，取得了較好的實(shí)驗(yàn)結(jié)果。 基于學(xué)習(xí)方法構(gòu)造的冗余字典可更加準(zhǔn)確地提取信號(hào)的結(jié)構(gòu)特征，也是近幾年的研究熱點(diǎn)。論文在研究了基于KSVD字典學(xué)習(xí)的圖像去噪算法的基礎(chǔ)上，將相關(guān)系數(shù)匹配準(zhǔn)則和字典裁剪方法相結(jié)合，提出一種改進(jìn)的字典學(xué)習(xí)算法，進(jìn)一步，為了利用圖像的非局部自相似性信息，提出將自相似性作為一個(gè)約束正則項(xiàng)融入到圖像去噪模型，提出基于改進(jìn)字典學(xué)習(xí)和非局部自相似性的圖像去噪算法。大量實(shí)驗(yàn)驗(yàn)證，與傳統(tǒng)KSVD去噪方法相比，該方法在提高同質(zhì)區(qū)域平滑性的同時(shí)還能保留更多的紋理、邊緣等細(xì)節(jié)特征。
[Abstract]:The basic problem of image processing is image denoising. With the rise and popularization of compressed sensing, more and more scholars begin to pay attention to sparse representation theory and its application. Image denoising based on sparse representation has become a frontier research topic in this field in recent years. On this basis, an exploratory study of image denoising method based on sparse representation of over-complete dictionary is carried out.
In sparse representation theory, there are two ways to construct a dictionary: one is to select a fixed base group to form an analytic dictionary; the other is to learn an adaptive dictionary based on training samples. This paper chooses all-phase biorthogonal transform (APBT) proposed by our research group to construct the atom library, and combines several basis functions into a hybrid atom library.
Redundant dictionaries based on learning methods can extract the structural features of signals more accurately, which is also a research hotspot in recent years. On the basis of studying the image denoising algorithm based on KSVD dictionary learning, this paper proposes an improved dictionary learning algorithm by combining the correlation coefficient matching criterion with the dictionary clipping method. In order to utilize the non-local self-similarity information of images, a new image denoising algorithm based on improved dictionary learning and non-local self-similarity is proposed, which incorporates self-similarity as a constraint regular term into the image denoising model. It can retain more details such as texture, edge and so on.
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 蔡澤民;賴劍煌;;一種基于超完備字典學(xué)習(xí)的圖像去噪方法[J];電子學(xué)報(bào);2009年02期

2 王剛;王娟;王德華;張志峰;肖亮;賀安之;;基于Contourlet變換域統(tǒng)計(jì)模型的路面圖像去噪算法[J];光電子.激光;2009年10期

3 周季夫;鐘誠(chéng)文;尹世群;解建飛;張勇;;基于GPGPU的Lattice-Boltzmann數(shù)值模擬算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2008年07期

4 劉琚,何振亞;利用SVD對(duì)帶噪聲的模糊圖像進(jìn)行盲復(fù)原[J];數(shù)據(jù)采集與處理;2002年01期

5 侯正信;離散余弦列率濾波器的設(shè)計(jì)及應(yīng)用[J];天津大學(xué)學(xué)報(bào);1999年03期

6 尹忠科,王建英,邵君;基于原子庫(kù)結(jié)構(gòu)特性的信號(hào)稀疏分解[J];西南交通大學(xué)學(xué)報(bào);2005年02期

7 程文波;王華軍;;信號(hào)稀疏表示的研究及應(yīng)用[J];西南石油大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年05期

相關(guān)博士學(xué)位論文 前2條

1 孫玉寶;圖像稀疏表示模型及其在圖像處理反問(wèn)題中的應(yīng)用[D];南京理工大學(xué);2010年

2 王成優(yōu);全相位雙正交變換理論及其在圖像編碼中的應(yīng)用研究[D];天津大學(xué);2010年

本文編號(hào)：2230833