基于字典学习的图像去噪,这篇字典论文范文为免费优秀学术论文范文,可用于相关写作参考。
字典论文参考文献：
摘 要：为了克服传统方法去噪会损失部分有用信息的缺点,该文采用稀疏编码和字典训练两个关键技术,准确又高效地区分开图像的有用信号和噪声信号,更好地实现了去噪.针对字典训练的过程利用了K-SVD算法,研究了其原理和去噪流程,由于字典学习是通过机器学习获得而不是预先选定得到的,从而可以更完整地保留图像原有的信息,最终获取更高的峰值信噪比.通过对不同算法的仿真分析,验证了该方法的有效性.
关键词：机器学习；字典学习；稀疏表示；K-SVD；图像去噪
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）02-0164-02
Research on Image Denoising Based on Dictionary Learning
CHENG Chun-yan
（Faculty of Information Engineering,Jiangxi University of Science and Technology,Ganzhou 341000, China）
Abstract：In order to overcome the disadvantages of the traditional methods denoising which lead to lose some of effective information,sparse coding and dictionary training are used as two key technologies. This method can distinguish the effective signal and noise signal of the image accurately and efficiently, and better realize the denoising.In view of the K-SVD algorithm that is used in dictionary training, the principle and denoising process are researched.Since dictionary learning is obtained by machine learning rather than pre-selected, it can not only better reserve the original information of the image, but also achieve higher Peak Signal to Noise Ratioultimately.The effectiveness of the method is verified by simulation analysis of different algorithms.
Key words：machine learning；dictionary learning； sparse representation；K-SVD； image denoising
1 概述
图像去噪的目的在于降低噪声干扰的同时尽可能完整地保留图像本身的有效信息.常见的小波去噪、Contourlet变换去噪等方法虽然能够去除噪声信号,但也造成了部分有用信息的缺失.在自然图像分析领域,自适应稀疏表示方法受到广泛关注,字典训练所采用的样本来自于原始图像中提取的小图像块,图像字典是通过求解图像块稀疏表示的方法而获得的,字典中的元素特征近似于简单细胞反应中的情况[1],可以利用这种字典表示自然图像.近年来许多學者将字典学习算法应用于图像分类、图像去噪等诸多领域[2],取得一定的显著效果.
本文所使用的K-SVD字典学习算法,通过稀疏编码和字典更新两步迭代学习达到去噪的效果,具有很好的自适应性,可以更大程度地保留图像原有的有用信息.
2 字典学习基本原理
字典学习的第一步是建立字典,字典由具有许多样本的许多类构成,当识别图片时,类中的每个样本就是一幅小尺寸图片.有了这些样本后,接着将其变成特征向量的形式,使用列向量的方式完成对图片像素值的排列,例如,对于一个35×35的图片,排列完成后可以获得一个1225维的向量,学习的过程既简单又高效.
首先,使用字典学习算法对自然图像进行适当的训练,获取所需要的字典；然后,在上一步得到的字典上,对图像进行相应的稀疏分解,计算出对应的系数矩阵；之后,把计算出的系数矩阵和字典相乘,从而获得去噪后的图像.
3 字典学习算法
字典学习算法可以通过对已有训练样本的学习来获得自适应字典,该字典能够满足对重建误差与稀疏度的要求.字典学习常用的求解方法有MOD算法[3]和K-SVD算法.K-SVD算法提出一种新的字典更新方法,操作的对象是字典的列向量,有效地克服了MOD算法涉及的矩阵求逆等一系列问题,所以本文采用K-SVD作为字典训练的算法.
3.1 K-SVD算法
K-SVD算法是在K-均值聚类算法的基础上改进的,该算法的原理是用K个原子的线性组合来恢复原始信号,包含了稀疏编码和字典更新这两个关键的步骤.稀疏编码是在字典固定不变的情况下,计算出训练样本集在字典上的稀疏表示,求解稀疏系数.在求解稀疏系数时,一般使用MP算法或OMP算法.本文采用了OMP算法,它是在MP算法的基础上改进而来的,不同的是,OMP算法利用的是施密特正交投影方法来实现对匹配追踪进行逼近.
3.2 字典训练
字典的训练过程：初始化：该字典的初始化是利用DCT字典来完成的,D（0）∈Rn×K.设初始迭代J等于1.重复下面的过程直至达到收敛：
结论：适合不知如何写字典方面的相关专业大学硕士和本科毕业论文以及关于字典论文开题报告范文和相关职称论文写作参考文献资料下载。
基于暗通道的图像去雾处理方法
摘 要：随着信息技术的发展，运用图像传输信息的方式也越来越普遍。对于传统的图像来说，传输已经不是问题。但是近些年的雾天出现增多，给室外的雾天图像。
如何让学生主动去学习
小学数学新课程标准中指出，提倡自主学习，学生的活动应当是一个生动活泼的主动而富有个性的过程。因此，数学教学就应当是最大限度地启发学生积极地进行数。
Photoshop图像处理课程在网页设计学习中重要性
《Photoshop图像处理》课程是中职计算机专业的一门专业基础课，也是学生学习平面设计的专业核心课程。作为一门技能课程，《Photoshop图。
采用盲解卷积多帧图像去模糊
摘 要：曝光时的相机抖动会导致图像模糊并遗弃许多照片，常规盲解卷积方法通常假定图像的频域约束，或过度简化运动路径不能很好地去除相机震动，本文通过。