本文關鍵詞：基于非局部相似性和稀疏表示的圖像去噪技術研究

  更多相關文章： 圖像去噪 混合噪聲 非局部相似 稀疏表示 變分模型

【摘要】：圖像去噪是以觀測到的圖像為依據(jù),根據(jù)圖像本身的先驗知識和退化模型來得到反應真實場景的圖像,它是保證人們正確理解圖像信息的重要手段。根據(jù)噪聲的來源和污染模型不同,可以將噪聲分為多種形式。本文主要研究受高斯噪聲和沖擊噪聲所組成的混合噪聲污染的情況。圖像的非局部相似性和稀疏性是圖像的兩種重要的先驗知識,本文以變分模型為基礎將這兩種先驗知識結(jié)合起來,通過求解變分模型來得到去噪后圖像。所做工作如下:1、對高斯噪聲、沖擊噪聲以及混合噪聲的形成進行了分析,構(gòu)建了混合噪聲的污染模型。對前人提出的一些經(jīng)典的去噪算法進行了實驗仿真,并對這幾種算法的優(yōu)缺點進行了總結(jié)分析。2、詳細研究了通過稀疏表示進行圖像去噪的原理、模型和算法。將稀疏表示應用于混合噪聲的去除中,通過構(gòu)建有效的訓練字典來得到圖像的稀疏表示先驗,對稀疏模型求解得到去噪圖像。3、對于在混合噪聲下求取圖像的非局部相似性先驗進行了研究分析。將非局部相似性用于混合噪聲的去除中,對相關算法進行了實驗仿真。4、對如何將稀疏表示先驗和非局部相似先驗融合在一起進行了研究。將兩種先驗知識融合進變分模型中,對變分模型的數(shù)據(jù)保真項和正則項進行優(yōu)化設計,求解變分模型可以得到稀疏表示系數(shù),最終得到效果較為理想的去噪圖像。
【關鍵詞】：圖像去噪 混合噪聲 非局部相似 稀疏表示 變分模型
【學位授予單位】：西南科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-13
• 1.1 本課題研究的背景、目的和意義8-9
• 1.2 圖像去噪發(fā)展歷程與研究現(xiàn)狀9-11
• 1.3 本文主要研究內(nèi)容11-13
• 2 圖像噪聲去除算法概述13-30
• 2.1 圖像噪聲類型介紹13-18
• 2.1.1 高斯噪聲及模型14-15
• 2.1.2 沖擊噪聲及模型15-16
• 2.1.3 混合噪聲及模型16-18
• 2.2 圖像去噪算法分類介紹18-27
• 2.2.1 基于空間域的圖像去噪算法18-23
• 2.2.2 基于變換域的圖像去噪算法23-27
• 2.3 圖像質(zhì)量評價標準和方法27-29
• 2.3.1 客觀評價標準27-28
• 2.3.2 主觀評價標準28-29
• 2.4 本章小結(jié)29-30
• 3 改進的非局部平均去噪算法及稀疏表示介紹30-42
• 3.1 局部平均濾波去噪算法介紹30-32
• 3.2 非局部平均濾波去噪算法及優(yōu)化32-36
• 3.2.1 非局部平均去噪算法分析32-33
• 3.2.2 改進后的非局部平均去噪算法33-36
• 3.3 基于稀疏表示的圖像去噪算法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 基于噪聲圖像的字典訓練算法及去噪算法39-41
• 3.4 本章小結(jié)41-42
• 4 融合非局部相似性和稀疏表示的混合噪聲去除算法42-62
• 4.1 算法概述43-44
• 4.2 混合噪聲下非局部相似性求解44-50
• 4.2.1 初始圖像的獲取45-48
• 4.2.2 求解非局部相似先驗48-50
• 4.3 混合噪聲圖像的稀疏表示50-56
• 4.3.1 混合噪聲圖像的稀疏編碼50-52
• 4.3.2 混合噪聲下的字典學習算法52-56
• 4.4 融合非局部相似性和稀疏表示的圖像去噪算法56-60
• 4.4.1 變分模型介紹57-58
• 4.4.2 本文算法變分模型的構(gòu)建58-59
• 4.4.3 求解變分模型59-60
• 4.5 本章小結(jié)60-62
• 5 仿真實驗測試及分析62-72
• 5.1 去噪模型參數(shù)設置62
• 5.2 實驗結(jié)果及分析62-71
• 5.2.1 去噪效果示例63-70
• 5.2.2 實驗分析70-71
• 5.3 本章小結(jié)71-72
• 總結(jié)與展望72-74
• 致謝74-75
• 參考文獻75-80
• 攻讀學位期間發(fā)表的學術論文及研究成果80

，

本文編號：946434