学习字典下自适应稀疏度估计的分解去噪算法.pdfVIP

一 … … 一 … 一 一 一 一 一 一 一 j 一～ 亍 …………一～～…．……～ 学习字典下自适应稀疏度估计的分解去噪算法 张鹏飞，金晓康，汤 倩，张建明 (长沙理工大学计算机与通信工程学院 湖南 长沙 410114) 【摘 要】针对固定字典下稀疏分解在图像去噪过程中缺乏 自适应稀疏度估计和回溯优化等问题，本文在K—SVD 学习字典下，利用 自适应稀疏度估计匹配追踪 (AsMP)方法 自适应估计图像的稀疏度，并对原子进行回溯优化选择。算法 不仅改善了固定字典的表示性能，同时减少了图像稀疏度人为设定的盲 目性又提高了算法鲁棒性。实验表明，与传统的 稀疏分解去噪算法相比，学习字典下 自适应稀疏度估计的分解去噪算法能获得更高的峰值信噪比。 【关键词】图像去噪；学习字典；稀疏分解；K—SVD；ASMP 1概述 度估计的分解去噪方法与传统稀疏分解去噪方法相比，算法在 图像在采集或传输过程中，常常受光照条件、电子元件和 稳健性，鲁棒性和可扩展性方面都得到了提高。实验结果表明， 通信误差等影响使图像中混入噪声，从而不利于人或机器的理 本文算法的去噪能力更强，去噪后的图像具有更高的峰值信噪 解I”。图像去噪作为图像预处理技术有着非常重要的研究意义。 比。 近年来，随着稀疏和冗余表示2[1技术的快速发展，基于稀疏表示 2稀疏去噪模型 的图像处理技术为去噪口提供了全新的思路和手段，相 比起传 稀疏表示图像去噪的思想是将图像信号在超完备原子库 统去噪方法，只要字典选择合适，基于稀疏分解的图像去噪就 上进行分解，利用图像 内部结构与字典中的原子具有相似的结 能够最大程度的分开投影后信号与噪声，得到很好的图像去噪 构特征，而高斯噪声与字典中的原子不匹配 ，故可以选择出一 效果。 组最佳的原子线性组合来表示图像I51，从而达到去除噪声的 目 字典的构造6【和稀疏分解方法是基于稀疏模型去噪的关 的。图像去噪模型为： 键问题。字典中的原子代表图像中的一个结构原型，而稀疏分 Y=X+v (1) 解就是在字典中寻找最能表示图像的一组原子的线性组合来 其中 ∈ ，大小为、／ ×、／ 的干净图像，是方差为 逼近 图像。由于高斯噪声在图像中呈随机分布，无明显的结构 的高斯 白噪声，l，为测量图像。图像去噪就是尽可能从Y中恢 特性，不能由字典中的原子表示，因而可以达到去噪的 目的。字 复出X的过程。 自然图像通常是稀疏的，即图像可表示为： 典的表示能力决定了在字典下稀疏分解去噪的性能，传统的字 典可 由多种变换形成，如 DCT、Wavelet、Curvelet、Contour]et变 D ，d，，其中{dj}，为冗余字典D中的原子，D∈骢 ， 、 J一 换等，也可以采用多种变换级联的方式来构建。然而，图像是具 n 《111。伐∈ ，llt鼍1l 《m为稀疏表示向量。由于噪声 有多种结构特性的，某一种或多种变换基并不能高效的表示图