一等奖d题_山东科技大学_李倩_孔令波_李晓杭.pdfVIP

图像去噪中几类稀疏变换的矩阵表示 摘要 我们在标准的Cameraman 图加上标准偏差为10 的高斯噪声，然后将加噪图 像分割为相互重叠大小为88 的小块，以小块图像为研究对象进行稀疏表示。 针对问题一， 图像去噪的稀疏表示方法。首先我们 加性噪声中高斯 噪声的特点，然后研究稀疏表示图像去噪的基本原理和方法。稀疏表示的两个关 键点是稀疏分解算法和训练字典的构造，我们详细介绍了OMP 算法的原理和实 现方法。最后提出构造小块图像稀疏模型和重构整体图像稀疏模型的思路。 针对问题二，分别建立基于DCT 、DWT 、PCA 和SVD 稀疏变换的图像去 噪模型。对DCT 的稀疏变换，在一维离散余弦变换公式的基础上，按行、列推 导出二维正逆离散余弦变换公式，并构造DCT 过完备字典，建立离散余弦变换 稀疏表示的图像去噪模型。对DWT 稀疏变换，首先 离散小波变换和DBn 小 波的运行机制，连续小波函数的离散化、小波系数的阈值计算和小波系数阈值化， 然后以DB4 小波作为小波基建立DB4 小波去噪模型。对PCA 稀疏变换，我们根 据图像的局部相似性，通过块匹配寻找出相似块作为训练样本，然后利用主成分 提取信号的重要特征，对每一块进行自适应阈值去噪，并同时实现对边缘细 节的有效保护，最后介绍利用PCA 字典进行图像稀疏表示去噪的流程。对SVD 的 稀疏变换，根据奇异值分解原理推导出奇异值稀疏分解算法的公式，研究并实现 K SVD 算法高效训练出一个全局性通用字典的方法步骤。 针对问题三，编程实现基于DCT 、DWT 、PCA 和SVD 算法的稀疏表示。 稀疏表示方法的一般实现步骤为图像分块处理、选择自适应完备字典、求得稀疏 表示系数、对所有块图像在有重叠的地方做平均处理最终得到去噪图像。编写 MATLAB 程序实现了对原始图像的加噪和分割处理，将分割情况以图片形式显 现，然后以第4 行第4 列图像小块为研究对象，分别实现了四种稀疏表示图像去 噪方法，最后采用重叠部分取中值的方法重构为整幅去噪图像。 针对问题四，提出基于PSNR 和SSIM 的稀疏去噪性能评价方法。我们从空 间域特性和结构化特性两个方面考虑，以MSE 、PSNR 、SSIM 三个指标来综合 评价四种稀疏表示去噪方法的优劣。我们对DCT 、DWT 、PCA 和SVD 算法的 稀疏表示图像去噪方法进行评价从而得出基于SVD 算法的稀疏表示方法要优于 其他几种方法。 针对问题五，提出基于K S 和残差比的图像去噪算法，并用问题四中的  VD 稀疏去噪性能评价方法进行评估。我们结合DCT 、DWT 、PCA 和SVD 的稀疏 表示方法的优点，采用过完备 字典作为 算法的初始化字典 ，用 DCT K SVD D D OMP 算法对含噪图像在初始字典 上进行稀疏分解，将残差比作为OMP 算法迭 代的终止条件，建立基于K SVD 和残差比的图像去噪算法。最后用问题四中的 稀疏去噪性能评价方法进行评估，得出本文算法明显优于以上四种算法。 最后我们对稀疏去噪性能评估方法进行改进，建立SSIM 优化方案，可以起 到更好的评价效果。 关键词：离散余弦变换( DCT ) 离散小波 ( DWT ) 主成分 ( PCA ) 奇异值分解( SVD ) 峰值信噪比( PSNR ) 目录 1.问题重述 1 2.问题 1 3.模型 2 4.符号说明 3 5．模型的建立与求解 3 5.1 模型准备 3 5.1.1 加性去噪 3 5.1.2 稀疏表示图像去噪 4 5.1.3 小块图像和整体图像稀疏模型 7 5.2 四类稀疏变换的图像矩阵表示 8 5.2.1 基于离散余弦变换的矩阵表示 9 5.2.2 基于DB4 小