基于非局部稀疏模型的最小字典學習.pdf

1、隨著計算機的發(fā)展和信息時代的到來。圖像處理的數字化和多媒體化的理論研究和實踐的需求與日俱增。圖像去噪作為圖像預處理的首要環(huán)節(jié)，對后續(xù)的操作有著深刻的影響。在基于非局部聯合稀疏表示的理論框架下，本文剖析總結國內外相關研究，根據加性高斯白噪聲的特點，設計了基于非局部和競爭聚類的最小字典圖像去噪算法。同時通過空間幾何特性構造原子生成最小局部字典并利用最小局部字典進行圖像重建實驗，分析了該算法與其他字典學習算法之間的優(yōu)劣。
　　本文的工作

2、主要包括以下三個部分：
　　(1)詳細闡述了稀疏表示(SP)的發(fā)展歷史和模型理論，對各類稀疏分解算法和字典學習算法應用于圖像去噪的問題做了詳盡的分析，并對聯合稀疏表示算法(SOMP)進行了系統(tǒng)的介紹，分析了聯合稀疏表示(SOMP)和稀疏表示(OMP)的優(yōu)缺點，詳細介紹了運用各類字典進行圖像去噪的優(yōu)缺點。
　　(2)通過引入競爭集聚(CA)算法，本文提出了基于非局部聯合稀疏與K-SVD的最小字典算法。根據非局部框架得到相似集合

3、，對于不同相似集合，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)現對于給定的數據集的最優(yōu)分割和最佳數量集群，刪除很少使用或者相似重復的元素來更新字典。提出了基于非局部聯合稀疏K-SVD字典和CA競爭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，本文采用聯合稀疏表示模型約束圖像中