基于非局部稀疏模型的最小字典學(xué)習(xí).pdf_第1頁(yè)
已閱讀1頁(yè),還剩86頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著計(jì)算機(jī)的發(fā)展和信息時(shí)代的到來。圖像處理的數(shù)字化和多媒體化的理論研究和實(shí)踐的需求與日俱增。圖像去噪作為圖像預(yù)處理的首要環(huán)節(jié),對(duì)后續(xù)的操作有著深刻的影響。在基于非局部聯(lián)合稀疏表示的理論框架下,本文剖析總結(jié)國(guó)內(nèi)外相關(guān)研究,根據(jù)加性高斯白噪聲的特點(diǎn),設(shè)計(jì)了基于非局部和競(jìng)爭(zhēng)聚類的最小字典圖像去噪算法。同時(shí)通過空間幾何特性構(gòu)造原子生成最小局部字典并利用最小局部字典進(jìn)行圖像重建實(shí)驗(yàn),分析了該算法與其他字典學(xué)習(xí)算法之間的優(yōu)劣。
  本文的工作

2、主要包括以下三個(gè)部分:
  (1)詳細(xì)闡述了稀疏表示(SP)的發(fā)展歷史和模型理論,對(duì)各類稀疏分解算法和字典學(xué)習(xí)算法應(yīng)用于圖像去噪的問題做了詳盡的分析,并對(duì)聯(lián)合稀疏表示算法(SOMP)進(jìn)行了系統(tǒng)的介紹,分析了聯(lián)合稀疏表示(SOMP)和稀疏表示(OMP)的優(yōu)缺點(diǎn),詳細(xì)介紹了運(yùn)用各類字典進(jìn)行圖像去噪的優(yōu)缺點(diǎn)。
  (2)通過引入競(jìng)爭(zhēng)集聚(CA)算法,本文提出了基于非局部聯(lián)合稀疏與K-SVD的最小字典算法。根據(jù)非局部框架得到相似集合

3、,對(duì)于不同相似集合,得到最大奇異值作為獲取K-SVD字典的方式,通過CA聚類算法發(fā)現(xiàn)對(duì)于給定的數(shù)據(jù)集的最優(yōu)分割和最佳數(shù)量集群,刪除很少使用或者相似重復(fù)的元素來更新字典。提出了基于非局部聯(lián)合稀疏K-SVD字典和CA競(jìng)爭(zhēng)集聚的自然圖像去噪方法,使得字典原子的尺寸得到優(yōu)化,同時(shí)滿足圖像信息自相似性的特性。
  (3)本文提出了一種基于非局部模型和空間幾何特性的最小局部字典。為了充分利用圖像全局自相似性,本文采用聯(lián)合稀疏表示模型約束圖像中

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論