基于非局部模型与字典学习的自然图像去噪方法分析-analysis of natural image denoising method based on non-local model and dictionary learning.docx

摘 要图像是一种常见的信息载体，也是人们获取信息的重要来源。然而，由于各 种外界自然因素的影响，图像在采集、传输过程中不可避免地受到噪声的干扰。 噪声不仅降低了图像的视觉质量，而且极大地破坏了图像的特征信息。因此，在 图像处理领域里，图像去噪是一个非常重要的环节。图像，特别是自然图像，具有很高的自相似性，存着大量的冗余信息。近年 来，根据图像的自相似性与信息冗余性，人们分别提出了非局部模型与稀疏模型， 并被广泛地应用于图像去噪领域。本文结合这两种模型，围绕自然图像去噪问题， 主要做了以下工作：(1) 提出了基于字典学习与非局部全变分正则的图像去噪方法。该方法是通过 对非局部全变分模型进行简化，并在简化模型的基础上，将点模型拓展到基于基 于字典学习的块模型。通过大量的实验证明：改进后的去噪方法法较之前的方法 无论是主观视觉上还是客观评价指标上都有一定的提高；该方法与相关类似方法 相比，在保持边缘细节信息上具有一定的优势。(2) 提出了基于字典学习与非局部结构相似的维纳滤波图像去噪方法。该方法 是针对最优维纳滤波器没有充分利用图像冗余信息这一问题，通过基于字典学习 的方式挖掘图像的稀疏特性，并结合非局部模型与结构聚类提出的一种改进方法。 通过大量的实验证明：改进后的去噪方法与之前方法相比，在主观视觉上和客观 指标上均有一定的提高；该方法与一些相关类似方法相比，在保证图像平滑去噪 效果的同时，在图像的边缘纹理等结构信息上也具有很好的表现。(3) 提出了基于形状自适应与奇异值分解的非局部维纳滤波器。该方法是在非 局部模型下，根据分析非局部联合稀疏模型与奇异值分解之间的联系，提出了一 种基于奇异值分解的维纳滤波器。另外，在此基础上还融入了一种基于局部多项 式-置信区间交叉的形状自适应图像块方法。通过大量的实验证明：该方法相对于 基于非局部联合稀疏模型的去噪方法具有更好的去噪效果，且与其它相关类似方 法相比，在主观上及客观上仍其性能具有一定的竞争力。本论文工作得到了国家自然科学基高等学校学科创新引智计划（111计划）B07048、教育部长江学者和创新团队支持计划（IRT1170）以及中央 高校基本科研业务费专项资金K50500020025的资助。关键字：图像去噪 非局部模型 稀疏表示 字典学习 非局部全变分 维纳滤波器 奇异值分解 形状自适应AbstractImage is a kind of common carrier of information, is an important source of information. However, due to various outside the natural factors, the image in the collection and transmission process is inevitably by noise interference. Noise not only reduces the image visual quality, but also greatly damages the feature information of image. Therefore, in the field of image processing, image denoising is a very important link.Images, especially natural images, have very high self-similarity, and keep a large amount of redundant information. In recent years, according to the image of self-similarity and information redundancy, people were put forward respectively nonlocal model and sparse model, and is widely applied in the field of image denoising. Based on these two kinds of models, around the natural image denoising problems, mainly to do the following works:A novel denoising method is derived, which is adapted to the nonlocal total variation (NLTV) regularation and dictionary learning.