基于稀疏表示的圖像去噪研究.pdf

1、乘性噪聲出現(xiàn)在很多圖像應(yīng)用領(lǐng)域，如醫(yī)學(xué)超聲圖像、SAR(Synthetic Aperture Radar)圖像，它與信號強度息息相關(guān)，因此乘性噪聲的去除更具挑戰(zhàn)性。然而傳統(tǒng)乘性噪聲去噪方法往往不能很好地保持圖像的結(jié)構(gòu)特征。
　　針對上述問題，本文利用變分模型與稀疏表示技術(shù)對圖像的乘性噪聲去除進行了詳細研究。稀疏表示技術(shù)可以由噪聲圖像訓(xùn)練得到超完備字典，由字典原子自適應(yīng)地對圖像進行稀疏表示，從而恢復(fù)出更符合原圖像結(jié)構(gòu)特征的清晰圖像。

2、本文主要工作有以下幾方面：
　　（1）將非局部TV(Total Variation)算子應(yīng)用于傳統(tǒng)TV模型，提出一種非局部TV模型去除瑞利分布的乘性噪聲，并通過引入輔助變量構(gòu)造一個逼近的泛函，設(shè)計相應(yīng)的Split-Bregman算法，加快了計算速度。實驗結(jié)果表明，此非局部TV模型在峰值信噪比、結(jié)構(gòu)相似度和視覺效果方面都優(yōu)于傳統(tǒng)方法，對圖像紋理、邊緣的保持能力更強。
　?。?）利用變分模型與基于字典學(xué)習(xí)的稀疏表示技術(shù)，融合兩項

3、技術(shù)的優(yōu)勢，建立了基于自適應(yīng)字典稀疏表示的乘性噪聲去除的圖像恢復(fù)模型。利用 K-SVD(K-Singular Value Decomposition)算法，由噪聲圖像訓(xùn)練得到冗余字典，自適應(yīng)地稀疏表示待恢復(fù)圖像，可有效保持圖像的紋理及幾何結(jié)構(gòu)信息。TV正則項的加入能夠有效保持圖像邊緣，同時減少了字典學(xué)習(xí)過程中引入的偽影。為有效解決復(fù)雜的模型泛函，引入兩個輔助變量構(gòu)造逼近的泛函，設(shè)計了相應(yīng)的Split-Bregman方法最小化模型泛函。B

4、regman變量使得算法穩(wěn)定，且正則參數(shù)在Bregman迭代過程中不需要更新。對含乘性噪聲的圖像進行的數(shù)值實驗驗證了所提模型去除乘性噪聲的有效性，獲得了較高的PSNR(Peak Signal-to-Noise Ratio)、MSSIM(Mean Structural Similarity)值及較低的MAE(Mean Absolute-deviation Error)值，保留了更多有意義的紋理等結(jié)構(gòu)細節(jié)，呈現(xiàn)出更佳的視覺效果。