基于字典学习图像去噪研究.docVIP

基于字典学习图像去噪研究 　　摘要：为了克服传统方法去噪会损失部分有用信息的缺点，该文采用稀疏编码和字典训练两个关键技术，准确又高效地区分开图像的有用信号和噪声信号，更好地实现了去噪。针对字典训练的过程利用了K-SVD算法，研究了其原理和去噪流程，由于字典学习是通过机器学习获得而不是预先选定得到的，从而可以更完整地保留图像原有的信息，最终获取更高的峰值信噪比。通过对不同算法的仿真分析，验证了该方法的有效性。 　　关键词：机器学习；字典学习；稀疏表示；K-SVD；图像去噪 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）02-0164-02 　　Research on Image Denoising Based on Dictionary Learning 　　CHENG Chun-yan 　　（Faculty of Information Engineering，Jiangxi University of Science and Technology，Ganzhou 341000， China） 　　Abstract：In order to overcome the disadvantages of the traditional methods denoising which lead to lose some of effective information，sparse coding and dictionary training are used as two key technologies. This method can distinguish the effective signal and noise signal of the image accurately and efficiently， and better realize the denoising.In view of the K-SVD algorithm that is used in dictionary training， the principle and denoising process are researched.Since dictionary learning is obtained by machine learning rather than pre-selected， it can not only better reserve the original information of the image， but also achieve higher Peak Signal to Noise Ratioultimately.The effectiveness of the method is verified by simulation analysis of different algorithms. 　　Key words：machine learning；dictionary learning； sparse representation；K-SVD； image denoising 　　1 概述 　　图像去噪的目的在于降低噪声干扰的同时尽可能完整地保留图像本身的有效信息。常见的小波去噪、Contourlet变换去噪等方法虽然能够去除噪声信号，但也造成了部分有用信息的缺失。在自然图像分析领域，自适应稀疏表示方法受到广泛关注，字典训练所采用的样本来自于原始图像中提取的小图像块，图像字典是通过求解图像块稀疏表示的方法而获得的，字典中的元素特征近似于简单细胞反应中的情况[1]，可以利用这种字典表示自然图像。近年来许多?W者将字典学习算法应用于图像分类、图像去噪等诸多领域[2]，取得一定的显著效果。 　　本文所使用的K-SVD字典学习算法，通过稀疏编码和字典更新两步迭代学习达到去噪的效果，具有很好的自适应性，可以更大程度地保留图像原有的有用信息。 　　2 字典学习基本原理 　　字典学习的第一步是建立字典，字典由具有许多样本的许多类构成，当识别图片时，类中的每个样本就是一幅小尺寸图片。有了这些样本后，接着将其变成特征向量的形式，使用列向量的方式完成对图片像素值的排列，例如，对于一个35×35的图片，排列完成后可以获得一个1225维的向量，学习的过程既简单又高效。 　　首先，使用字典学习算法对自然图像进行适当的训练，获取所需要的字典；然后，在上一步得到的字典上，对图像进行相应的稀疏分解，计算出对应的系数矩阵；之后，把计算出的系数矩阵和字典相乘，从而获得去噪后的图像。 　　3 字典学习算法 　　字典学习算法可以通过对已有训练样本的学习来获得自适应字典，该字