文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 人文社科 > 教育学/心理学 > 基于稀疏表示的两级图像去噪
侵权投诉

基于稀疏表示的两级图像去噪

第34卷第9期 电 子 与 信 息 学 报 Vol.34No.9 2012年9月 Journal of Electronics & Information Technology Sept. 2012

基于稀疏表示的两级图像去噪

何艳敏 甘 涛 陈武凡

①

*①

②

①

(电子科技大学自动化工程学院 成都 611731) (电子科技大学电子工程学院 成都 611731)

②

摘 要:在噪声较严重的情况下对图像进行恢复,至今仍是一个挑战。该文提出一种基于图像稀疏表示的去噪方法。在原子库训练中,引入基于相关系数的匹配准则和原子库裁剪方案,很好地处理了图像结构提取和人为噪声抑制之间的矛盾。实验结果表明,该方法在主客观去噪性能上较同类方法有了显著的提高,在噪声强度较大的情况下,获得了比当前先进方法更好的主客观图像恢复质量。 关键词:图像处理;稀疏表示;原子库训练;原子库裁剪

中图分类号:TN911.73 文献标识码: A 文章编号:1009-5896(2012)09-2268-05 DOI: 10.3724/SP.J.1146.2012.00136

Two-stage Image Denoising Based on Sparse Representations

He Yan-min Gan Tao Chen Wu-fan

①

①

②

①

(Scool of Automation Engineering,University of Electronic Science and Technology of China, Chengdu 611731, China) (Scool of Electronic Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China) Abstract: It remains a challenging task to restore the image which is contaminated with heavy noise. In this paper, an image denoising method is proposed based on sparse representations. In the dictionary training stage, a matching criterion based on correlation coefficient is introduced and a dictionary pruning scheme is proposed to tackle the conflicting issues of structure extraction and artifact suppression. Experimental results show that the proposed method achieves significant improvements over the previous sparse denoising methods and outperforms the state-of-the-art methods in terms of both objective and subjective quality at high noise level. Key words: Image processing; Sparse representation; Dictionary training; Dictionary pruning

②

1 引言

图像去噪一直是图像处理领域的一个重要研究课题。传统的去噪方法,如小波类方法[1] ,根据图像频谱分布规律,从频率上将图像中的有用信息与噪声分开。由于图像也常常包含高频信息,这类方法容易丢失图像细节。作为另一类成功的方法,非局部平均[2](Non-Local Means, NLM)去噪利用图像内部结构的相似性,通过对图像像素点的加权平均来对图像进行恢复,取得了很好的效果,对NLM方法的应用和改进也成为一个研究热点。文献[3]提出一种基于非下采样Shearlet描述子的NLM方法。文献[4]提出块匹配3维滤波方法。该方法将相似的图像块联合在一起进行3D变换和维纳滤波,充分挖掘了图像非局部结构冗余,被公认是当前去噪性能最优的方法之一。

2012-02-17收到,2012-05-17改回

国家973计划项目(2010CB732501)资助课题 *通信作者:何艳敏 heyanmin@gmail.com

近年来,稀疏逼近的新信号表示方法成为信号

基于冗余原子库(或字典)的图像表征的研究热点[5]。

稀疏表示能够同时满足稀疏性和信号噪声可分性,被成功地运用到了图像去噪中,形成一类基于稀疏表示的去噪方法,简称为稀疏去噪方法。该类方法通常先将图像分成小块,然后在一定的原子库下,对每个小块进行稀疏表示来达到去噪目的,故原子库训练和稀疏表示是稀疏去噪方法待解决的两个主要问题。文献[6]提出K-奇异值分解(K-Singular Value Decomposition, K-SVD)原子库训练和稀疏表示方法,取得了较好的去噪效果。文献[7]将单一尺度的K-SVD推广到了多尺度,提出多尺度-K-奇异值分解(Multiscale-K-Singular Value Decompo- sition, MK-SVD)方法。与K-SVD相比,MK-SVD在图像的恢复质量上有了较大幅度的提高。文献[8]提出一种两级稀疏表示去噪方案,每一级使用不同尺度的原子库,在较低的计算复杂度下达到了与MK-SVD相当的去噪性能。

尽管现有的稀疏去噪方法在去除轻度图像噪声

第1页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email