基于稀疏表示的圖像去噪的研究與實(shí)現(xiàn)

《基于稀疏表示的圖像去噪的研究與實(shí)現(xiàn)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、’＇一＇尊－：－３密單位代碼；則級(jí)；公開，＇、！ｆ．．＞／■；考巫＃您碩女俗Ａ＊ＩＳＭｉＴＦ‘、哪論文題目：基于稀疏表７Ｋ的圖像去噪的研究與買現(xiàn)＊Ｉ—‘．＇１Ｄ學(xué)號(hào)１２１３０１２３１７八：＇＊■—－；一＂姓名來成伶Ｖ導(dǎo)師唐加山教授專業(yè)學(xué)位類別ｘｍｍ±類型令日制專業(yè)（領(lǐng)域）電子與通信工程—論文提交日期二〇－六年六月？＞TheResearchandImplem

2、entationonImageDenoisingBasedonSparseRepresentationThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByChenglingSONGSupervisor:Prof.JiashanTANGJune2016南京郵電大學(xué)學(xué)位論文原創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研巧工作及取得的研究成果

3、。１盡我所知，除了文中特別加＾標(biāo)注和致謝的地方外，論文中不包含其他人己經(jīng)發(fā)表或撰寫過的研巧成果。，也不包含為獲得南京郵電大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示了謝意。一本人學(xué)位論文及涉及相關(guān)資料若有不實(shí)，愿意承擔(dān)切相關(guān)的法律責(zé)任。＞研巧生簽名：餐＾於日期：磁南京郵電大學(xué)學(xué)位論文使用授權(quán)聲明本人授權(quán)南京郵電大學(xué)可保留并向國家有關(guān)部口或機(jī)構(gòu)送交論文的復(fù)印件和電子文檔；允許論文被查閱和借閱；

4、可Ｗ將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索；可レッ采用影印、縮印或掃描等復(fù)制手段保存、匯編本學(xué)位論文。本文電子文檔的內(nèi)容和紙質(zhì)一論文的內(nèi)容相致。論文的公布（包括刊登）授權(quán)南京郵電大學(xué)研究生院辦理。涉密學(xué)位論文在解密后適用本授權(quán)書。、氣：研巧生簽名：導(dǎo)師簽名：１＾４＾日期摘要圖像在傳輸過程中不可避免地要受到外界環(huán)境的干擾而融入噪聲，去除圖像中噪聲效果的好壞將直接影響后續(xù)處理的結(jié)果。近年來興起的稀疏表示理論在正交匹配追蹤的基礎(chǔ)上對(duì)圖像進(jìn)行去噪，在處理圖像去噪問題

5、方面正發(fā)揮著越來越重要的作用。稀疏分解算法和字典的選擇是稀疏表示理論的主要研究內(nèi)容，本文以稀疏分解算法和字典學(xué)習(xí)為基礎(chǔ)，對(duì)圖像去噪進(jìn)行了研究和探討，主要內(nèi)容如下：第一，基于稀疏表示的圖像去噪通常采用圖像塊處理思想對(duì)含噪圖像進(jìn)行預(yù)處理，預(yù)處理后會(huì)產(chǎn)生一個(gè)信息矩陣。但是原圖像不同像素點(diǎn)在該矩陣中出現(xiàn)的次數(shù)不一致，圖像邊界處的像素點(diǎn)出現(xiàn)次數(shù)較少，最少為一次。本文結(jié)合矩陣重構(gòu)和矩陣裁剪，在對(duì)圖像進(jìn)行預(yù)處理之前，構(gòu)造一個(gè)包含原圖像信息的更大的信息矩陣，使得原圖像不同像素點(diǎn)出現(xiàn)的次數(shù)接近一致，然后從矩陣中任

6、意選取若干列向量進(jìn)行去噪。實(shí)驗(yàn)結(jié)果表明：本文的改進(jìn)方法得到的PSNR僅僅降低了0.15dB，但所用的去噪時(shí)間降低了12%。第二，采用K-SVD算法進(jìn)行字典訓(xùn)練時(shí)，需要提供一個(gè)訓(xùn)練數(shù)據(jù)庫。訓(xùn)練數(shù)據(jù)庫中的數(shù)據(jù)來自于經(jīng)過圖像塊處理思想形成的矩陣。經(jīng)典K-SVD算法從矩陣中隨機(jī)地提取若干列向量作為訓(xùn)練數(shù)據(jù)進(jìn)行字典的訓(xùn)練，為了訓(xùn)練出能更好地描述圖像特征的字典，提取的列向量數(shù)目通常比較多，但是重疊信息顯然也比較多。本文提出了一種改進(jìn)的訓(xùn)練數(shù)據(jù)提取方法，從矩陣中提取所有滿足條件jk??81（k為大于等于0的整

7、數(shù)）的第j個(gè)列向量。仿真實(shí)驗(yàn)結(jié)果表明，改進(jìn)訓(xùn)練數(shù)據(jù)提取方法后所取得的PSNR僅僅降低了0.1dB左右，但計(jì)算復(fù)雜度有更突出的表現(xiàn)，仿真時(shí)間縮短了13%左右，顯示了本文方法的有效性。第三，在K-SVD算法中，通常用兩原子間的余弦相似度的絕對(duì)值作為字典中原子相似度的判斷依據(jù)。當(dāng)兩向量余弦相似度的絕對(duì)值高于99%，即認(rèn)為字典中存在冗余原子，需要對(duì)冗余原子進(jìn)行替換。本文提出用兩向量歐氏距離的平方來作為原子相似度的判斷依據(jù)。當(dāng)2dd-??，??0.01（dd,為字典中的原子或原子的相反向量，且dd,第一個(gè)

8、元素的符mn2mnmn號(hào)一致），即認(rèn)為字典存在冗余，用圖像塊替換原子d。仿真實(shí)驗(yàn)表明，改進(jìn)原子相似度的m判斷標(biāo)準(zhǔn)后的K-SVD算法所得的去噪后圖像的PSNR基本一致，但本文程序的計(jì)算復(fù)雜度降低了3%~8%。關(guān)鍵詞:稀疏表示，圖像去噪，匹配追蹤，字典學(xué)習(xí)，離散余弦變換IAbstractTheimagemustbeinevitablyaffectedbyexternalenvironmentandbecomesnoisedinthetransmission.Theresultsofdenoising