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。     

基于改进的MCA和K-SVD的图像稀疏表示去噪算法

图像去噪是图像处理中的关键问题之一,传统的图像去噪方法是基于小波阈值变换的,其去噪效果较好,但容易丢失细节信息,导致边缘模糊,针对传统去噪方法存在的不足,本文提出一种基于形态学成分分析(Morphological Component Analysis,MCA)和K奇异值分析(K-SVD)的图像去噪方法.考虑到传统的MCA算法对图像的稀疏性要求较高,本文通过求解最接近l1范数的若干次优解和最小l1范数解进行加权叠加,并将结果作为源信号的估计,改进了传统MCA算法中对图像稀疏性的高要求,提高了对源信号估计的精度.本文方法首先采用改进的MCA算法将含噪图像划分为平滑部分、纹理部分和边缘部分;然后对平滑的结构部分采用小波阈值去噪,并利用改进的K-SVD去噪算法对纹理部分和边缘部分进行自适应去噪,最后将三部分合起来得到最终去噪图像.实验表明,该方法相比于传统的图像去噪方法能够更好地滤除噪声,保留图像的细节特征和边缘信息,获得更高的峰值信噪比值.     

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.     

基于改进K-SVD的磁共振图像去噪算法

 磁共振图像的降噪处理一直是医学图像处理中重要的研究领域。图像中存在噪声会降低图像质量从而影响临床诊断。现有K-SVD 算法虽然能达到良好的去噪效果,但却在字典训练中消耗大量时间。本文针对时间消耗问题,提出利用改进的KSVD算法进行医学图像去噪。首先根据已知的字典原子的可稀疏性,提出一种高效、灵活的稀疏字典结构,该字典能够提供高效的前向和伴随算子,并具有紧凑的表示形式,同时可以有效地训练图像信号;然后在现有K-SVD 算法的基本框架下,结合字典的稀疏表示特点使用改进K-SVD 算法训练稀疏字典,改进的K-SVD 算法能够对更大的字典进行训练,特别是对高维数据的处理更具有优势。实验结果表明,该算法相对基于离散余弦变换字典的磁共振图像去噪以及基于传统K-SVD 算法的磁共振图像去噪,不仅能够更加有效地滤除图像中的高斯白噪声,更好地保留原图像的细节信息,而且有效降低了字典训练所消耗的时间;在相同的噪声标准差下,改进K-SVD 算法的峰值信噪比提高了约1~3 dB。     

结合EEMD与K-SVD字典训练的语音增强算法

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。     

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.     

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.     

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.     

3类图像稀疏表示的去噪性能研究

对3类常见正交基函数的稀疏变换即离散余弦转换(DCT)、离散小波变换(DWT)、奇异值分解(SVD)进行研究,在构建基函数的基本稀疏表示的模型基础上,以灰度图像受到高斯噪声干扰为例,建立了3类含高斯噪声的稀疏变换模型;利用MATLAB中的块操作实现对图像的稀疏分解,得到图像完整的稀疏特征矩阵,过滤其中的表现为高斯噪声的高频分量,通过稀疏反变换模型重构代表图像最主要结构的低频分量,最终获得去噪图像。结果表明,DWT算法的综合去噪性能最优,SVD算法在低标准偏差下去噪图像画面质量最高,而DCT算法则在高标准偏差下噪点消除能力最佳。     

基于非局部自适应字典的SAR图像迭代去噪算法

为了更好地利用SAR图像携带的信息,相干斑噪声的抑制成为各国学者研究的热点之一.结合稀疏表示理论和图像的非局部自相似理论,提出了一种基于非局部块匹配与自适应字典的K-singular value decomposition(K-SVD)的synthetic aperture radar(SAR)图像迭代去噪算法.首先,在每次迭代中,利用非局部块匹配算法对上一次迭代的结果进行匹配分组,然后对每组相似块进行自适应字典更新,并用图像块替换字典原子来提高字典训练的效率,最后通过K-SVD的迭代实现SAR图像的去噪效果.实验结果表明,该算法具有更好的去噪能力,能更好地保持图像的细节和纹理等有用信息.     

基于谱特征参数的图像稀疏降噪

提出一种基于谱特征参数的图像稀疏降噪算法。其采用稀疏重构理论为图像降噪框架,并将图论中的谱特征参数作为一约束条件,以有效克服传统稀疏重构中稀疏解不稳定的问题。该降噪算法将噪声图像块作为基础元素进行关系图构建,进而得到邻接矩阵。然后,求解该邻接矩阵对应的拉普拉斯矩阵,并对其进行特征分解,得到对应的特征向量,即谱特征参数。最后,将图像块矩阵与一定数目该高频谱特征参数所组成矩阵的乘积作为稀疏模型的正则项形成提出的算法模型。实验结果表明,与基于K-SVD的稀疏表示降噪算法相比,在相同参数的情况下提出的算法在多种类型噪声下对多幅图像的降噪效果都有着显著的提高。     

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.     

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.     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号,基于压缩感知理论来实现图像的超分辨率重建,在利用图像的局部稀疏性先验的基础上,采取了以下两项措施：一是通过对图像降质模型的估计,采用K-奇异值分解(K-singular value decomposition, K-SVD)算法构建过完备字典对,依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点,将字典对所表示的高低分辨率图像间的映射关系带入目标函数中,避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响;二是在待超分辨率图像稀疏编码时提出一种自适应加权的梯度投影稀疏重构(adaptive weighting gradient projection for sparse reconstruction, AWGPSR)算法,克服了传统正交匹配追踪(orthogonal matching pursuit, OMP)算法在这一步需要固定稀疏度的缺陷,可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量,将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明,...     

基于单帧图像的超分辨率算法

随着稀疏编码与压缩传感理论的逐步发展,如何应用于图像的超分辨率成为研究热点之一.基于示例学习的算法,提出了一种新的超分辨率算法,其特点在于只基于低分辨率图像本身,没有额外的样本库,运用自然图像的自相似性与冗余性,学习低分辨率图像块与高分辨率图像块之间的函数关系.为了从图像中获取更加全面的信息,采用Guided滤波、一阶导数和二阶导数2种方法来提取特征.此外,提出了一种新的字典学习算法R-KSVD,并且改进了后项处理过程.实验结果显示,提出的算法具有较好的超分辨率效果和稳定性.     

An Image Denoising Method Based on Group Sparsity and Low Rank

In this paper, we propose an image denoising method combining the priors of non-local self similarity(NSS), low rank and group sparsity. In the proposed scheme, the image is decomposed into overlapping patches, and then these patches are classified by the K-means clustering. Patches in each cluster are stacked into a matrix and then are decomposed into low frequency component and high frequency component through 2-D wavelet transform. Intuitively, the low frequency component should be a low rank matrix. We show that the high frequency component can be recovered by weighted mixed norm minimization which is also known as group sparse model. Then we propose an image denoising model using nuclear norm and weighted mixed norm as regularizers to enforce the priors on the low and high frequency. The proposed model can be solved efficiently in the framework of alternating direction multiplier method(ADMM) algorithm. Several experiments are carried out to verify the performance of the proposed model.     

基于偏微分方程与多尺度分析的图像去噪算法

针对传统图像去噪算法存在去噪效果和稳定性较差的问题, 提出一种基于偏微分方程结合多尺度分析方法的图像去噪算法. 首先利用二阶偏微分扩散方程和四阶偏微分方程对图像进行高频段和低频段的处理, 对处理后的图像采用非下采样轮廓波逆变换, 实现图像整体去噪； 其次, 采用轮廓波变换方法对整体图像进行多尺度分解得到不同子带, 并利用核主成分分析算法进行整体图像降维处理, 对不同子带进行分块管理, 完成对整体图像的局部去噪, 最终实现基于偏微分方程结合多尺度分析方法的图像去噪. 实验结果表明, 该算法的图像去噪效果和稳定性均较高.     

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。