本文選題：稀疏表示 + 形態(tài)學成分分析　； 參考：《河北工業(yè)大學》2014年碩士論文

【摘要】：信號稀疏表示是一種新興的信號分析和綜合方法，其目的就是在過完備字典中用盡可能少的原子來表示信號。稀疏表示的應用廣泛并已成功應用于圖像去噪領域，在稀疏表示的過程中即可將噪聲濾除。稀疏表示去噪的方法可以分為基于局部和非局部的方法。K-SVD是局部的去噪方法，，NLM、BM3D是非局部的去噪方法。本文針對局部和非局部的去噪方法介紹了兩種稀疏表示的方法來對圖像去噪。 針對局部算法K-SVD在去噪的時候對紋理性強的圖片效果好，對于結構性強的圖片處理效果不佳的問題，提出一種新的去噪方法，即形態(tài)學成分分析去噪算法，將圖像分為結構層和紋理層。對紋理層采用K-SVD去噪，對于結構層采用BM3D的去噪，將二者的結果合并作為圖像的最后去噪效果。實驗結果表明該算法對圖像去噪的效果要好于單一使用K-SVD和BM3D去噪的效果。 針對不相鄰但結構相似圖像塊存在冗余性的問題，提出一種聚類的方法，將聚類加入到非局部去噪的方法中。建立新的關于聚類的模型，在求解模型中不斷地更新聚類中心和PCA字典。實驗結果表明該算法有效的利用了圖像塊間的冗余，圖像去噪的效果要好于K-SVD的局部去噪效果。
[Abstract]:Signal sparse representation is a new signal analysis and synthesis method, which aims to represent signals with as few atoms as possible in overcomplete dictionaries. Sparse representation is widely used and has been successfully applied in the field of image denoising. In the process of sparse representation, the noise can be removed. The sparse representation denoising method can be divided into local and non-local denoising methods. K-SVD is a local denoising method. In this paper, two sparse representation methods for image denoising are introduced for local and non-local denoising methods. A new denoising method named morphological component analysis (MCAA) is proposed to solve the problem that the local algorithm K-SVD has good effect on textured images and poor structural image processing. The image is divided into structure layer and texture layer. The texture layer is de-noised by K-SVD, and the structure layer is de-noised by BM3D. The results of the two methods are combined as the final denoising effect of the image. Experimental results show that the algorithm is better than K-SVD and BM3D in image denoising. Aiming at the redundancy of non-adjacent but structurally similar image blocks, a clustering method is proposed, which is added to the non-local de-noising method. A new clustering model is established and the clustering centers and PCA dictionaries are constantly updated in the solution model. The experimental results show that the algorithm makes use of the redundancy between image blocks effectively and the effect of image denoising is better than that of K-SVD.
【學位授予單位】：河北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN911.73

【參考文獻】

相關期刊論文 前10條

1 尹雯;李元祥;周則明;劉世前;;基于稀疏表示的遙感圖像融合方法[J];光學學報;2013年04期

2 史郡;王曉華;;基于改進K-SVD字典學習的超分辨率圖像重構[J];電子學報;2013年05期

3 張丹;韓勝菊;李建;聶尚宇;;基于改進粒子群算法的BP算法的研究[J];計算機仿真;2011年02期

4 張權;羅立民;桂志國;馬杰;;一種基于優(yōu)化參數的非局部均值濾波算法[J];計算機應用與軟件;2012年03期

5 趙知勁;馬春暉;;一種基于量子粒子群的二次匹配OMP重構算法[J];計算機工程與應用;2012年29期

6 馬路;鄧承志;汪勝前;劉娟娟;;特征保留的稀疏表示圖像去噪[J];計算機應用;2013年05期

7 潘晴;曾仲杰;;基于稀疏表示和特征選擇的LK目標跟蹤[J];計算機應用研究;2014年02期

8 李民;程建;樂翔;羅環(huán)敏;;稀疏字典編碼的超分辨率重建[J];軟件學報;2012年05期

9 王景泉;;噪音強度的估計和去噪效果的評估[J];計算機工程與設計;2009年07期

10 李文;劉霞;段玉波;姚建紅;劉繼承;;基于小波熵和相關性的高分辨率閾值去噪方法[J];數據采集與處理;2013年03期

本文編號：1910131