非局部組稀疏模型在圖像恢復中的研究.pdf

1、圖像作為信息存儲的一種表現(xiàn)形式，在日常生活應用中發(fā)揮著重要作用。隨著計算機以及電子設備的日益普及，圖像在我們工作生活中隨處可見，通過圖像人們可以更加直觀的理解、表達信息，在衛(wèi)星電視、磁共振成像、地理信息系統(tǒng)、天文學等領域均有著廣泛的應用。然而，由于傳感器內部設備和外界光照環(huán)境的影響，圖像在采集、轉換和傳輸過程中不可避免地會丟失一些細節(jié)信息，進而導致圖像失真。在過去的50年里用多元化的觀點解決圖像失真問題有著巨大貢獻，空間自適應濾波器、隨

2、機分析、偏微分方程、變換域方法、樣條函數(shù)和其他近似理論方法，形態(tài)分析、微分幾何、訂單統(tǒng)計，以及更多的方向和工具都在探索研究該問題。
　　如何在信息不丟失的前提條件下對數(shù)據(jù)進行降維是一個具有深遠現(xiàn)實意義的挑戰(zhàn)性課題。稀疏表示已被證明可對高維數(shù)據(jù)進行有效的表示，同時，圖像的非局部特性對細節(jié)信息有著較好的保護作用，近年來被廣泛應用于圖像處理各領域，并取得了較好效果。本文以非局部組稀疏模型為基礎，分別從基于合成稀疏建模、基于分析稀疏建模兩

3、方面分別進行圖像恢復研究工作。主要內容包括以下三個方面:
　　(1)著力于解決K-SVD算法對初始字典的隨機選取問題，考慮到稀疏編碼系數(shù)之間的高度相關性，各圖像塊之間可能存在著幾何結構相似性。我們提出了基于稀疏表示的圖像分類字典學習方法，對待處理圖像塊進行聚類并進行類字典學習，并在圖像去噪方面取得較好效果。
　　(2)考慮到圖像稀疏系數(shù)的非零元素之間往往存在著某種關聯(lián)性，那么，在不同梯度的圖像分析域中，稀疏向量的非零元素之間