本文關(guān)鍵詞：基于K-SVD的字典學(xué)習(xí)算法及應(yīng)用研究

  更多相關(guān)文章： 圖像去噪 稀疏表示 字典學(xué)習(xí) K-SVD

【摘要】：人們?cè)谶M(jìn)行信息的交流、處理、傳輸和保存時(shí),往往通過(guò)聲音、圖像以及文字和視頻,其中圖像是最能直接表達(dá)和接受的視覺(jué)信息。但是,在圖像的接受、傳輸和保存的過(guò)程中,經(jīng)常會(huì)受到工作環(huán)境、器件等性能的影響,直接影響圖像質(zhì)量,這將可能導(dǎo)致圖像中的某些像素值發(fā)生改變,形成噪聲。因此,圖像去噪尤為重要,直接影響著人或機(jī)器對(duì)圖像內(nèi)容的正確理解。近年來(lái),信號(hào)的稀疏表示理論(Sparse Representation)發(fā)展迅速,其表示模型為通過(guò)原子的線(xiàn)性組合來(lái)描述圖像信號(hào),而這些原子是從某個(gè)字典(Dictionary)中獲取而來(lái),當(dāng)求出噪聲信號(hào)在該字典下的稀疏表示后即可重建出干凈的信號(hào),以達(dá)到去除噪聲的目的。對(duì)于字典的選取,通常有兩種方式:一種是選取固定的分析字典,另外一種是根據(jù)現(xiàn)有的樣本數(shù)據(jù)進(jìn)行訓(xùn)練,通過(guò)學(xué)習(xí)得出自適應(yīng)于目標(biāo)信號(hào)的字典。本文著眼于K-SVD(K-Singular Value Decomposition)字典學(xué)習(xí)算法,并針對(duì)圖像中脈沖噪聲的去除問(wèn)題展開(kāi)研究,提出了一種基于修正K-SVD算法的圖像脈沖噪聲去除方法。主要研究?jī)?nèi)容如下:(1)詳細(xì)分析了稀疏表示的基本理論和基于該理論的圖像去噪模型;(2)提出了一種修正K-SVD的字典學(xué)習(xí)算法,通過(guò)抑制樣本數(shù)據(jù)中的沖擊成分對(duì)剩余有效信息進(jìn)行訓(xùn)練,并從中學(xué)習(xí)出自適應(yīng)于目標(biāo)信號(hào)的冗余字典;(3)提出了一種基于修正K-SVD算法的圖像脈沖噪聲去除方法。首先通過(guò)ROLD(Rank-Ordered Logarithmic Difference)統(tǒng)計(jì)量檢測(cè)出圖像中的沖擊噪聲,然后通過(guò)修正K-SVD算法對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練,得到稀疏表示所需的冗余字典,進(jìn)而利用稀疏編碼技術(shù)找出噪聲信號(hào)在冗余字典下的表示系數(shù),最后通過(guò)該表示系數(shù)與冗余字典的乘積重建出干凈的信號(hào)。大量仿真實(shí)驗(yàn)數(shù)據(jù)表明,本文所提出的算法可以有效去除圖像中的脈沖噪聲,與典型的圖像脈沖噪聲去除算法相比,在去噪性能上有一定的優(yōu)勢(shì)。
【關(guān)鍵詞】：圖像去噪 稀疏表示 字典學(xué)習(xí) K-SVD
【學(xué)位授予單位】：西南科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-14
• 1.1 選題研究背景及意義9
• 1.2 國(guó)內(nèi)外研究和發(fā)展現(xiàn)狀9-13
• 1.2.1 圖像去噪的發(fā)展現(xiàn)狀9-11
• 1.2.2 稀疏表示理論的發(fā)展現(xiàn)狀11-12
• 1.2.3 字典學(xué)習(xí)構(gòu)造的發(fā)展12-13
• 1.3 本論文的研究?jī)?nèi)容及安排13-14
• 2 信號(hào)的稀疏表示理論14-19
• 2.1 稀疏表示理論背景14
• 2.2 圖像稀疏表示模型14-16
• 2.2.1 小塊圖像的稀疏模型14-15
• 2.2.2 整塊圖像的稀疏模型15-16
• 2.3 稀疏分解算法16-18
• 2.4 本章小結(jié)18-19
• 3 字典學(xué)習(xí)模型及算法19-25
• 3.1 分析字典19-22
• 3.1.1 Fourier變換與小波變換20-21
• 3.1.2 多尺度幾何分析21-22
• 3.2 學(xué)習(xí)字典22-24
• 3.2.1 MOD算法23
• 3.2.2 聯(lián)合正交基23
• 3.2.3 Generalized PCA23-24
• 3.2.4 K-SVD算法24
• 3.3 本章小結(jié)24-25
• 4 基于K-SVD的圖像去噪算法25-40
• 4.1 K均值聚類(lèi)（K-means）概述25-26
• 4.2 K-SVD算法26-32
• 4.2.1 奇異值分解27-28
• 4.2.2 K-SVD字典學(xué)習(xí)算法原理分析28-30
• 4.2.3 圖像質(zhì)量評(píng)價(jià)30-32
• 4.3 基于K-SVD的圖像去噪32-33
• 4.4 仿真實(shí)驗(yàn)與分析33-39
• 4.4.1 算法仿真參數(shù)33
• 4.4.2 圖像濾波仿真測(cè)試33-39
• 4.5 本章小結(jié)39-40
• 5 基于修正K-SVD的隨機(jī)值脈沖噪聲恢復(fù)算法40-61
• 5.1 幾種常見(jiàn)去噪算法回顧與分析40-45
• 5.1.1 傳統(tǒng)的中值濾波原理介紹40-41
• 5.1.2 自適應(yīng)中心加權(quán)中值濾波器原理介紹41-43
• 5.1.3 方向加權(quán)中值濾波原理介紹43-45
• 5.2 脈沖噪聲的基本理論45-47
• 5.2.1 脈沖噪聲簡(jiǎn)介45
• 5.2.2 脈沖噪聲模型45-46
• 5.2.3 隨機(jī)值脈沖噪聲的檢測(cè)46-47
• 5.3 修正K-SVD的字典訓(xùn)練算法原理47-49
• 5.3.1 構(gòu)建訓(xùn)練樣本集47-48
• 5.3.2 修正K-SVD的沖擊噪聲算法原理48-49
• 5.4 基于稀疏表示的變分恢復(fù)模型49-51
• 5.4.1 變分模型的構(gòu)建49-50
• 5.4.2 變分模型的求解50-51
• 5.5 仿真實(shí)驗(yàn)與分析51-60
• 5.5.1 算法仿真參數(shù)52-53
• 5.5.2 圖像去噪仿真測(cè)試53-60
• 5.6 本章小結(jié)60-61
• 結(jié)論61-63
• 致謝63-64
• 參考文獻(xiàn)64-68
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及研究成果68

，

本文編號(hào)：828548