基于字典學習的圖像去噪與超分辨算法研究.pdf

1、字典學習在計算機視覺領(lǐng)域占有重要地位，廣泛應(yīng)用在圖像去噪、分類、超分辨、模式識別和機器學習等領(lǐng)域。本文介紹了字典學習和稀疏表示的基本方法，主要研究了字典學習在圖像去噪和超分辨兩個方向的應(yīng)用，并對現(xiàn)有算法提出了改進。
　　自然圖像信息豐富，同一幅圖像中既包含紋理密集度大的區(qū)域，又包含紋理稀疏的平滑區(qū)域。本文針對自然圖像區(qū)域特點的多樣性，提出一種基于紋理密集度的去噪方法。通過邊緣檢測濾波器計算圖像塊紋理密集度的權(quán)重，根據(jù)權(quán)值大小，對基

2、于字典的去噪方法加入平滑信息或紋理信息的約束。實驗結(jié)果表明，本論文提出的基于紋理密集度的去噪方法得到恢復(fù)圖像的PSNR值最高提高1dB以上。
　　非局部中心聚類的稀疏表示(NCSR)超分辨算法，在原有稀疏表示的基礎(chǔ)之上加上了非局部均值信息。根據(jù)控制核回歸理論，在衡量圖像塊的相似關(guān)系時，靠近中心位置與圖形邊緣的像素點比其他位置的像素點更有影響力，權(quán)值較大。將圖像塊的控制核回歸權(quán)值與其對應(yīng)的像素值相乘，應(yīng)用在NCSR算法的字典訓練和稀