一种加权字典学习混合噪声去噪模型.pdfVIP

一种加权字典学习的混合噪声去噪模型 Jun Liu,Xue-cheng Tai,Haiyang Huang,Zhongdan Huan 摘要——本论文提出了一种去除混合 集中于去除高斯噪声或脉冲噪声。 对于高斯噪声的去除，文献[1]提出了 噪声的通用的加权 − 能量范数最小化 模型，如高斯-高斯混合噪声，脉冲噪声， 全变分法 （TV），这是一种非常流行并且有 效的恢复图像的方法，TV 2 高斯-脉冲噪声。本文方法建立在最大化似 或者 所谓的 然函数框架和用训练字典稀疏表示上。不同 ROF模型[1]，这是非常经典的和广为人知的 于优化从混合分布导出的似然函数，我们采 高斯模型。然而，TV 算法得到的结果过平滑， 用一种加权数据保真函数，同优化似然函数 会丢失很多图像细节。为了更好地保留图像 相似，但这种函数优化起来更简单。这个模 细节信息，文献[2]提出了非局部的方法， 型中的加权函数由算法本身决定，通过调整 文献[3]综合了文献变分方法和文献[4-5] 不同的预估噪声参数，它能达到检测的目的。 中的非局部TV 模型。 通过结合图像块稀疏表示，本方法可以高效 非局部 TV 的去噪结果有明显提高，但 的去除多种混合或单一噪声，并且能很好保 非局部权值难以确定。另一种去除高斯噪声 留图像纹理细节。另外，我们用一种改进的 的方法是小波阈值。通过一定的规则，高频 K-SVD 算法来解决加权秩一近似问题。实验 系数被抑制，参见文献[6-10]。稀疏表示和 结果表明本算法比现有算法效果更好。 字典学习也是一种高效的图像去噪技术。文 关键词：图像去噪 稀疏表示 混合噪 献[11]、[12]中，作者提出了一种新奇的去 声 K-SVD 加权范数 噪算法，用K-SVD 算法对灰度含噪图像训练 得到字典。从稀疏和冗余表示出发，提供稀 1 引言 疏表示模型是另一种有效的方法，这种方法 假设每个小图像块都可以用训练字典中的 本文我们针对处理传统加性噪声，噪声 几个原子线性组合表示，这个线性组合可以 可以用公式（1）表示 通过K-SVD算法[13]从含噪图像中训练得到。 = + (1) 由于稀疏表示方法的效果很好，它已经被引 其中，, , 分别是含噪声图像、无噪 [14] [15] 入到彩色图像处理 和非局部模型 中了。 声图像和噪声图像。大量的学术论文表明， 最近几年，基于重叠块技术和稀疏表示，出 噪声服从高斯分布，很多去噪方法都选用 现了很多非局部的图像去噪方法。如局部学 基于2范数的数据保真项。然而，在实际应 [16] 习词典 （K-LLD ） ，学习同步稀疏编码 用中，成像质量会受到环境条件、传感器温 [15] [17]