一种联合全变分总则项的字典学习图像去噪方法.docxVIP

一种联合全变分总则项的字典学习图像去噪方法 0 图像去噪技术 利用计算机等工具对数字图像进行加工和处理，提高图像质量，从图像中获得更多有用的信息。数字图像处理是数学领域和计算机领域的交叉热点。由于其可靠性高、精度高，在日常生活和科学研究中发挥着重要作用。例如，在通信技术中的图像压缩编码、医学检测中的mri、科学探索领域中的卫星探测、预测云图等方面，图像在采集和传输过程中受到其他因素的影响不可避免地会产生噪声。噪声会降低接收图像的质量，从而扰乱人类感知事物的技能。在后期噪声处理之前，它也起着非常重要的作用，例如边缘检测和资源提取等。对于图像的目标识别、分类和分割以及后期处理之前的噪声去除非常重要。图像噪声去除的本质是提取有用信息来抑制不必要的噪声信息。我们必须考虑噪声去除和保护重要信息的能力。科学家们继续研究图像消噪技术，并提出了许多图像消噪方法：例如邻近滤波方法。 1 -svd算法 字典学习要解决这样问题:给定一类信号训练样本, 设计一个字典, 使得这类信号能在该字典上被稀疏表示.K-SVD算法 其中:X指训练样本;D是字典;A表示稀疏编码系数;T 稀疏编码是字典学习中的一个重要环节, 求解这类问题有很多种方法:正交匹配追踪 (Orthogonal Matching Pursuit, OMP) 2) 固定稀疏系数A, 更新字典D 利用上述得到的稀疏系数A, 优化字典D.更新第k列原子时d 其中:α 2 改进的汉字学习图像去噪方法 前一部分对K-SVD字典学习算法进行了简单介绍.为了较好地实现图像去噪效果, 本文从2个步骤来实行. 步骤1:提出一种改进的K-SVD字典训练算法.将增广拉格朗日乘子法 (Augmented Lagrange Multipliers, ALM) 和正交匹配追踪 (Orthogonal Matching Pursuit, OMP) 算法这两种求解稀疏系数的算法跟经典的K-SVD字典训练思想相融合, 变成一种新的字典训练方法, 从而改善字典学习性能. 步骤2:提出一种联合全变分正则项的字典学习图像去噪方法, 将全变分去噪模型思想融入到基于字典学习的图像去噪理论中.在上一步骤得到的图像重构基础上, 引入全变分 (Total Variation, TV) 约束项, 作为改进去噪模型中新的一项, 对噪声和图像边缘作后续优化处理, 从而改善图像去噪性能. 下面对其中的关键步骤———改进的字典训练方法和改进的图像去噪模型进行介绍. 2.1 稀疏编码解释 从理论框架上讲, 字典学习主流的研究模式是将字典学习和稀疏编码轮换迭代更新求解, 其中, 稀疏编码可以称得上是字典学习中的一个重要环节, 用于求解稀疏系数, 为更新字典作准备.为了提高训练字典的速度和性能, 本文尝试利用增广拉格朗日乘子法 (Augmented Lagrange Multipliers, ALM) 对稀疏编码模型进行求解.模型如下 引入辅助变量Z, 转化成如 (5) 所示的有约束问题的稀疏编码模型 其中:X指训练样本;D是字典;A表示稀疏编码系数;λ表示权重大小.首先构造如式 (5) 所示稀疏编码问题的增广拉格朗日函数 式中:C指的是拉格朗日乘子, 将有约束条件的最优化问题转化为无约束条件的最优化问题;μ≥0是惩罚参数.式 (6) 的优化问题可以利用交替更新的方式求解:固定Z和C, 使L (A 更新A时 根据新的A 其中, 阈值算子S 上述介绍的稀疏编码采用ALM (Augmented Lagrange Multipliers, ALM) 方式完成字典训练的过程, 性能相比于采用OMP (Orthogonal Matching Pursuit, OMP) 算法有所提高, 但是训练时间过长;而稀疏编码采用OMP算法完成字典训练过程, 训练时间虽然较短, 但会因其迭代停止准则在噪声变大时较早的完成迭代, 影响求解稀疏系数的准确性.因此, 为了利用OMP算法收敛时间快和ALM算法字典训练性能高的特点, 本文将求解稀疏编码的增广拉格朗日乘子法和正交匹配追踪算法这两种求解稀疏系数的算法跟经典的K-SVD字典训练思想相融合, 变成一种新的字典训练方法, 改进的字典学习过程可以分为两个阶段: 稀疏编码过程:采用增广拉格朗日乘子 (ALM) 算法求解稀疏表示系数; 初始化过程:初始化字典D为第一阶段完成后得到的字典D; 稀疏编码过程:采用正交匹配追踪 (OMP) 算法求解稀疏表示系数; 字典更新过程:利用上述得到的稀疏系数, 采用K-SVD字典训练方法优化字典. 2.2 稀疏编码和汉字更新 K-SVD字典学习图像去噪算法 式中:λ‖X-Y‖ 以及 首先, 对字典D进行初始化设置, 初始化原始图像, 令X=Y; 其次, 求解式 (11) 所示的第1个子过程, 用本