一种基于去冗余字典的图像去噪算法

图像去噪是图像处理中的关键问题之一,也是图像后续处理的基础.结合近年来兴起的稀疏表示理论,能更好的处理图像去噪问题.在正交匹配追踪(orthogonal matching pursuit,OMP)的基础上,采用K-奇异值分解(K-SVD)算法对图像进行去噪.为了得到更好的去噪效果,改进了字典更新算法,对字典原子进行优化选择,去除冗余的字典原子,并用图像块替换字典原子,用于提高字典训练的效率,与自然图像数据相适应.实验结果表明,与小波去噪算法相比,该算法具有良好的去噪能力,能较好地保持图像的细节和边缘特征,去噪后的图像更为清晰.     

双重自适应非局部均值图像去噪算法

针对非局部均值算法对边缘去噪能力较差的缺陷,提出了一种新的自适应非局部均值去噪算法。一方面利用基于均方误差最小化准则的主动匹配,以确定两图像块之间的最佳匹配形状与尺寸,进而得到较为鲁棒的相似度估计。另一方面,利用局部Hessian矩阵特征值判断图像块类型,并据此进行滤波窗口尺寸的自适应调整。细致分析与仿真结果表明,新算法有效克服了原始非局部均值算法存在的边缘去噪能力较差的问题,综合去噪性能达到甚至超过了最新的自适应非局部均值算法。     

一种改进K-奇异值分解稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

一种改进K-SVD稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

基于分块K-SVD字典学习的彩色图像去噪

该文构建了分块K-奇异值分解(K-SVD)字典学习算法处理彩色图像去噪问题。首先对彩色图像直接添加噪声,将其通过色彩通道分成3张灰度图像,利用超完备离散余弦变换(DCT)字典、全局字典和自适应字典等字典学习算法,分别对灰度图像进行去噪重建。通过图像分割理论对图像分块,使得分块K-SVD算法更有效运行于字典学习中。实验结果表明,离散余弦变换字典适用于弱噪声下权重较小的情况,全局字典适用于弱噪声下权重接近于1的情况,自适应字典适用于弱噪声下权重较大的情况。     

基于相似性验证与子块排序的NSST域SAR图像去噪

为了改进传统的非局部变换域合成孔径雷达（synthetic aperture radar,SAR）图像去噪算法不考虑子块关系的缺点,结合相似性验证与子块排序提出一种新的非下采样剪切波（non-subsampled shearlet transform,NSST）域SAR图像去噪算法.构造NSST域SAR图像相似块之间距离的密度分布;利用子块之间的相似性,去除相似性较低的子块;结合子块排序和最优一维滤波对SAR图像进行去噪.实验结果表明,与其他经典去噪算法相比,等效视数平均提升6.92,边缘保持指数更接近1,无参考质量评价指数平均降低2.51,能更好地保持图像边缘和纹理信息,改善图像的视觉效果.      

基于字典学习的低剂量X-ray CT图像去噪

介绍了一种基于字典学习的去噪方法,并将其应用于降低低剂量CT图像噪声水平的研究.针对体模图像和病人图像,分别选择低剂量CT图像和正常剂量CT图像作为训练样本,采用K-SVD算法,通过迭代学习构建图像字典;然后,结合正交匹配跟踪算法,实现图像稀疏表示,稀疏成分对应于图像的有用信息,其他成分对应于图像噪声;最后,依据图像的稀疏成分重建图像,达到去除噪声的目的.实验结果表明:字典的大小、稀疏表示的约束条件等参数会显著影响所提算法的去噪结果;相比低剂量CT图像,将正常剂量CT图像作为训练样本可以得到更好的去噪结果;在相同的噪声水平下,所提算法与传统图像去噪算法相比可以更好地去除图像噪声,且保留了图像的细节信息.     

基于多尺度学习型字典表示的极地浅层探冰雷达图像去噪算法

为了更好地解决极地浅层探冰雷达回波信号中的杂波和噪声问题,提出了一种基于多尺度学习型字典表示的极地浅层探冰雷达图像去噪算法。该算法首先通过曲波变换构建曲波系数矩阵,在曲波域使用自适应字典学习得到原子尺寸不同的多尺度字典,最后利用去噪和修正后的曲波系数重建浅层探冰雷达剖面图像,完成最终的去噪。结果表明:相较于曲波变换去噪算法、K-SVD(K-奇异值分解)去噪算法,改进的算法不但能够有效地去除噪声,提高图像的峰值信噪比,而且探冰雷达图像的边缘轮廓信息得到了较好的保留,有着良好的视觉效果。     

基于边缘检测的自适应非局部均值去噪算法

针对图像去噪处理中非局部均值(NLM)算法造成的平滑图像细节丢失问题,提出基于边缘检测的自适应非局部均值去噪(ANLM)算法。利用canny算子提取图像边缘结构图,比较待处理像素所在图像块和邻域图像块边缘结构的相似度,判断当前图像块所处图像区域的结构特征,设定相关阈值,自适应选取滤波参数,调整像素在平均过程中的权值。实验结果表明,ANLM算法相比NLM算法,能更有效去噪,可保留更多的边缘结构特征,细节信息更为丰富。     

一种改进的基于K-SVD字典的图像修复算法

提出一种改进的基于K-SVD字典的图像修复算法.该算法基于稀疏表示,利用待修复图像内的有效信息,以不重叠像素的方式提取图像块,采用模糊C均值聚类算法对图像块进行聚类,并使用K-SVD算法分别对各类图像块进行训练,得到与各类图像块相适应的字典,重建图像块,修复受损图像.实验结果表明,该算法能提高图像的修复质量和图像的峰值性噪比,且均方根误差较小.     

一种改进的基于K-SVD字典的图像修复算法

提出一种改进的基于K-SVD字典的图像修复算法.该算法基于稀疏表示,利用待修复图像内的有效信息,以不重叠像素的方式提取图像块,采用模糊C均值聚类算法对图像块进行聚类,并使用K-SVD算法分别对各类图像块进行训练,得到与各类图像块相适应的字典,重建图像块,修复受损图像.实验结果表明,该算法能提高图像的修复质量和图像的峰值性噪比,且均方根误差较小.     

基于K-SVD 字典学习的岩心图像压缩感知重构

针对传统方法进行岩心图像压缩感知重构时,在低码率下容易产生细节丢失的问题,提出一种基于 K-SVD( K-Singular Value Decomposition) 超完备字典学习的压缩感知重构算法。首先根据分块压缩感知理论,将 岩心图像分块,采用高斯随机矩阵对相应层级的图像块进行观测,得到对应的观测值块,然后用MMSE ( Minimum Mean Squareerror Estimation) 方法获得初始解的估计并利用提示小波进行滤波,通过全局阈值的思想 得到自适应阈值,最后利用K-SVD 字典结合Landweber 迭代实现压缩与重构。实验结果表明,与传统方法相 比,在相同的采样率下获得的重构图像能较好地保留岩心图像的纹理信息,重构岩心图像的PSNR( Peak Signal to Noise Ratio) 值提高约0． 1 ～ 0． 8 dB。     

基于Sparse K-SVD学习字典的语音增强方法

提出一种基于Sparse K-SVD学习字典的语音增强方法,采用Sparse K-SVD算法自适应地训练一个可稀疏表示的冗余字典,在该冗余字典上采用正交匹配追踪(OMP)算法对带噪语音信号进行稀疏分解,利用稀疏系数矩阵重构纯净语音,实现语音增强.使用NOIZEUS语音库进行了一系列的语音增强实验,主客观评测数据表明,基于稀疏表示的语音增强方法(分别使用Sparse K-SVD和K-SVD训练字典)相对于传统语音增强方法(小阈值波法、谱减法、改进谱减法)可进一步改善语音质量;对字典训练时间进行统计,发现Sparse K-SVD算法训练字典消耗的时间为K-SVD算法训练时间的1/6~1/10,大幅度提高了计算效率.     

面向输电线路的压缩感知图像去噪方法

传统的基于字典学习的输电线路图像去噪方法,易受冗余字典影响存在重建图像边缘细节恢复不足的问题.为了有效抑制输电线路图像表面存在的高斯噪声,提出一种图像非局部自相似特性与改进K-SVD字典学习算法融合的输电线路图像去噪方法,利用图像非局部自相似性作为正则项约束并加权稀疏表达模型,提高去噪图像复原和保留细节的能力.实验选取含有自然图像和输电线路典型缺陷图像进行仿真实验测试.实验结果表明,所提出的算法不仅能够很好的保留图像纹理特征与边缘细节,对高斯噪声也具有良好的鲁棒性.     

基于局部统计的自适应SAR图像去噪算法研究

合成孔径雷达(SAR)图像固有的相干斑噪声对图像质量有严重影响,使检测、识别等进一步应用受到很大限制.相干斑噪声是一种乘性噪声,传统的空域去噪算法(均值滤波、中值滤波)难以将其消除.针对SAR图像的去噪问题,本文研究了Lee滤波和Kuan滤波两种基于局部统计的自适应去噪算法,给出了MATLAB实现并在MSTAR的SAR图像上进行实验.结果表明,Lee滤波和Kuan滤波都能够有效抑制SAR图像的相干斑噪声,去噪图像更平滑,目标更清晰.与传统的均值滤波和中值滤波相比,这两种基于局部统计的自适应去噪算法在视觉效果、方差和等效视数等评价指标上取得更好效果.     

基于离散余弦变换的非局部均值滤波算法

要非局部均值(non-local means,NLM)去噪算法已成为较有效去除图像噪声的算法之一。然而,当噪声水平较高时,NLM不能准确地计算图像块之间的相似度权重值,影响图像的去噪效果。针对上述问题,结合离散余弦变换(discrete cosinetransform,DCT)提出了基于DCT的非局部均值滤波算法。首先,利用DCT的低频系数重构图像,以达到滤除部分噪声的同时保护图像的主要内容。其次,利用重构图像较准确地计算图像块之间的相似度权重值,将NLM去噪算法用于噪声图像。实验结果表明,该算法能够得到较高的峰值信噪比(peak signal to noise ratio,PSNR)和更好的视觉效果。     

基于组稀疏残差约束的自适应强噪声图像复原算法

组稀疏学习在图像去噪中显示出巨大的潜力,但现有方法仅从图像块级别考虑含噪图像的非局部自相似性,影响了强噪声图像的重建质量.文中在组稀疏复原模型中引入组稀疏残差和全变分正则化约束,将含噪图像复原问题转化为多尺度图像块匹配和减小组稀疏残差;基于干净图像的组稀疏系数预估和多尺度图像块匹配,提出了自适应图像复原迭代算法,以提升组稀疏学习算法的图像去噪和精细结构复原能力.实验结果表明,文中算法能更好地保留图像的细节纹理,减少过平滑和伪影现象,在强噪声图像复原的主、客观综合评价上优于BM3D、WNNM等标杆去噪算法.     

K-SVD算法的超声图像加性噪声去噪研究

利用具有稀疏性、特征保持性和可分离性等特点的超完备字典的稀疏表示,基于核奇异值分解(K-SVD)算法,研究了对图像去除噪声效果以及影响效果的因素.理论分析及实验研究表明:K-SVD算法能够很好去除超声图像噪声,保留图像细节特征,获得更高的峰值信噪比(PSNR)值.在计算过程中发现K-SVD算法中的训练样本尺度大小是影响去噪效果的主要参数.     

一种基于多尺度结构自相似性的图像超分辨重建算法

多尺度结构自相似性是指图像中存在大量相同尺度以及不同尺度相似结构的性质。本文提出一种基于多尺度结构自相似性的超分辨率重建算法,该方法通过图像旋转和金字塔分解将输入图像的先验信息附加到训练库中,并对样本图像块聚类,分别训练针对各类的多个字典。在图像重建阶段,自适应选择最优字典,并利用相似图像块间的关系建立非局部约束项重建图像。最后利用迭代反投影算法进行图像后处理,进一步提升图像的超分辨率重建效果。实验结果表明,与SCSR、SISR和ASDS算法相比,本文算法能够取得边缘更为清晰的超分辨率重建效果。     

一种基于多尺度结构自相似性的图像超分辨率重建算法

多尺度结构自相似性是指图像中存在大量相同尺度,以及不同尺度相似结构的性质。提出一种基于多尺度结构自相似性的超分辨率重建算法;该方法通过图像旋转和金字塔分解,将输入图像的先验信息附加到训练库中;并对样本图像块聚类,分别训练针对各类的多个字典。在图像重建阶段,自适应选择最优字典;并利用相似图像块间的关系建立非局部约束项重建图像。最后利用迭代反投影算法进行图像后处理,进一步提升图像的超分辨率重建效果。实验结果表明,与SCSR、SISR和ASDS算法相比,算法能够取得边缘更为清晰的超分辨率重建效果。