在人類日常生活中,圖像扮演了越來越重要的角色,圖像蘊含了豐富的信息,但圖像受到各種各樣的因素的影響,從而導致其質(zhì)量不佳。一般情況下,圖像會被噪聲污染,直接影響到圖像的視覺效果,為了解決該問題,圖像去噪技術(shù)因此得到了成熟的發(fā)展,主要目的為既能高效地去除圖像噪聲,又能有效地保留圖像的有用信息,包括圖像的紋理和邊緣信息等。近些年來,隨著信號的稀疏表示理論的不斷完善,基于稀疏表示理論的字典學習方法得到了成熟的發(fā)展�？紤]到原始圖像在合適的字典下具有稀疏性而噪聲通常無這一特性,因此,研究學者們?yōu)榻鉀Q圖像去噪問題提出了很多有效解決方案�；谙∈璞硎镜膱D像去噪方法對圖像噪聲方差難以確定,且傳統(tǒng)字典學習方法難以解決參數(shù)自動選擇問題。而非參數(shù)貝葉斯字典學習方法能有效地解決該問題�？紤]到圖像在梯度域具有良好稀疏性以及非局部自相似特性,分別提出了稀疏梯度域非參數(shù)貝葉斯字典學習圖像去噪方法和梯度域補丁分組貝葉斯學習圖像去噪方法。圖像在梯度域的稀疏性一般優(yōu)于空間域,提出稀疏梯度域非參數(shù)貝葉斯字典學習圖像去噪方法�？紤]整個圖像去噪模型是一個多變量耦合問題,難以直接求解。利用Bregman和交替迭代方法把該問題分解為... 

【文章來源】：華東交通大學江西省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖2-1兩種不同的字典構(gòu)造方法產(chǎn)生的字典（a）DCT解析字典（b）字典學習

(c) α0=60 (d) α0=1200圖 3-1 不同集中參數(shù) α0下 G 的分布情況Fig.3-1 The distribution under the different concentration parameter3.2.3 典型的狄利克雷過程構(gòu)建方法一般地，DP 沒有清晰的表達式，不能直接使用 DP 的基本定義對 DP 直接進行采樣和預測未知數(shù)據(jù)，后來，多種 DP 的構(gòu)建方法因此誕生。例如：波里亞罐模型[37]（Polya Urn Model）、中國餐館過程[38]（Chinese Restaurant Process, CRP）、Pitman-Yor[39]、截棍過程[40]（Stick-breaking process）等。下面主要介紹波里亞罐模型、截棍過程。1）波利亞罐模型Blackwell 和 MacQueen 于 1973 年提出波利亞罐子模型（Blackwell MacQueenModel），作為一個經(jīng)典的統(tǒng)計模型，有很多概率分布基于此模型得出，模型的含義為：有 n 個球裝在一個罐子中，這些球有 m 種顏色，每種顏色球?qū)?yīng)的個數(shù)為 (1 )iy i m，每次隨機取出罐子中的一個球，先記錄這個球的顏色，然后

4.3 實驗仿真及結(jié)果分析在本節(jié)中，通過實驗仿真分析提出的圖像去噪算法的性能。在實驗仿真中，如圖4-1所示，選用8張不同的灰度圖像作為實驗仿真對象，仿真實驗在MATLABR2014a 的軟件環(huán)境下完成，硬件條件是英特爾四核 CPU，頻率 3.30GHz，內(nèi)存16GB。分別使用提出的算法、GradDLRec 算法和 DLMRI 算法對圖像去噪。其中，DLMRI 算法參數(shù)設(shè)置：字典大小 P=36，圖像塊大小 P1/2=6


本文編號：2966835