基于稀疏表示與結(jié)構(gòu)聚類的WMSN圖像去噪算法研究.pdf

1、無線多媒體傳感器網(wǎng)絡(luò)(Wireless Multimedia Sensor Networks，WMSN)由大量具有計算、存儲及無線通信能力的多媒體傳感器節(jié)點組成，具備協(xié)作感知信息豐富、擴(kuò)展性強(qiáng)等優(yōu)勢，通常部署在無人值守的環(huán)境中自主完成監(jiān)測任務(wù)，并廣泛應(yīng)用于諸多領(lǐng)域。此外，要完成實際應(yīng)用中的各種視頻監(jiān)測任務(wù)，需要對監(jiān)測的準(zhǔn)確性及有效性提出較高的要求。然而，WMSN監(jiān)測環(huán)境復(fù)雜多樣，視頻質(zhì)量易受各種外界因素干擾，使得圖像受噪聲污染嚴(yán)重，視覺

2、效果模糊，容易造成不可預(yù)測的監(jiān)測事故。
　　為確保視頻監(jiān)測的準(zhǔn)確性及有效性，高質(zhì)量圖像對于后續(xù)圖像處理及監(jiān)測具有重要意義。經(jīng)深入分析可知，WMSN所采集的視頻圖像數(shù)據(jù)信息量大，且視頻流中監(jiān)測目標(biāo)相似度大，前后幀圖像相關(guān)性以及冗余性都較強(qiáng)。經(jīng)研究發(fā)現(xiàn)，圖像稀疏表示能用盡可能少的數(shù)據(jù)描述圖像本質(zhì)特征，實現(xiàn)圖像有效表示，從而被廣泛應(yīng)用于視頻、圖像去噪領(lǐng)域。此外，非局部去噪方法充分利用圖像自相似性以及冗余特性，能夠充分保留圖像的紋理結(jié)構(gòu)等

3、細(xì)節(jié)信息，去噪效果良好。結(jié)合WMSN視頻圖像的特點，透徹分析稀疏表示和非局部理論，研究適用于復(fù)雜場景下的WMSN視頻圖像去噪算法十分有必要。
　　綜上所述，本文深入分析了WMSN視頻圖像特征，并結(jié)合稀疏表示和非局部理論，提出了兩種適用于WMSN場景的圖像去噪算法。第一種是基于結(jié)構(gòu)聚類集中式正則化稀疏表示模型的圖像去噪算法，在此算法的實現(xiàn)過程中，首先，通過K-means方法對退化后的WMSN圖像進(jìn)行結(jié)構(gòu)聚類；然后，采用稀疏K-SVD

4、字典學(xué)習(xí)方式，對各類圖像塊進(jìn)行字典學(xué)習(xí)；最后，建立基于非局部正則化的稀疏去噪模型，進(jìn)行集中式正則化，以優(yōu)化稀疏系數(shù)，從而提高圖像重構(gòu)質(zhì)量；經(jīng)實驗驗證可知，此算法在低信噪比條件下不僅能保證WMSN去噪后圖像的清晰度，充分保留邊緣、紋理等結(jié)構(gòu)信息，而且通過對圖像塊進(jìn)行結(jié)構(gòu)聚類以及采用多字典并行處理方式，加快了算法運行速度，從而減小了WMSN網(wǎng)絡(luò)耗能。第二種是基于非局部馬爾科夫蒙特卡羅(Markov chain Monte Carlo,MCM

5、C)采樣和自適應(yīng)閾值低秩逼近的WMSN視頻圖像去噪算法，在此算法實現(xiàn)過程中，首先，基于馬爾科夫蒙特卡羅理論進(jìn)行相似塊選擇及結(jié)構(gòu)聚類；其次，進(jìn)行奇異值分解，并依據(jù)圖像先驗信息自適應(yīng)估計奇異值閾值；最后，借助低秩逼近算法，進(jìn)行圖像重構(gòu)；實驗表明，此算法不但在實現(xiàn)WMSN退化圖像高效重構(gòu)的同時提高了圖像邊緣、紋理等結(jié)構(gòu)信息的保留度，而且解決了字典學(xué)習(xí)在處理高維數(shù)據(jù)以及降低運算復(fù)雜度上存在的局限性，并減少了網(wǎng)絡(luò)耗時，非常適用于能量受限的WMSN