基于非局部稀疏模型的最小字典學(xué)習(xí).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(shù)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(yù)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(lián)合稀疏表示的理論框架下，本文剖析總結(jié)國內(nèi)外相關(guān)研究，根據(jù)加性高斯白噪聲的特點，設(shè)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(gòu)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(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(xué)習(xí)算法應(yīng)用于圖像去噪的問題做了詳盡的分析，并對聯(lián)合稀疏表示算法(SOMP)進行了系統(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，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(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(lián)合稀疏表示模型約束圖像中