论文部分内容阅读
人们在进行信息的交流、处理、传输和保存时,往往通过声音、图像以及文字和视频,其中图像是最能直接表达和接受的视觉信息。但是,在图像的接受、传输和保存的过程中,经常会受到工作环境、器件等性能的影响,直接影响图像质量,这将可能导致图像中的某些像素值发生改变,形成噪声。因此,图像去噪尤为重要,直接影响着人或机器对图像内容的正确理解。近年来,信号的稀疏表示理论(Sparse Representation)发展迅速,其表示模型为通过原子的线性组合来描述图像信号,而这些原子是从某个字典(Dictionary)中获取而来,当求出噪声信号在该字典下的稀疏表示后即可重建出干净的信号,以达到去除噪声的目的。对于字典的选取,通常有两种方式:一种是选取固定的分析字典,另外一种是根据现有的样本数据进行训练,通过学习得出自适应于目标信号的字典。本文着眼于K-SVD(K-Singular Value Decomposition)字典学习算法,并针对图像中脉冲噪声的去除问题展开研究,提出了一种基于修正K-SVD算法的图像脉冲噪声去除方法。主要研究内容如下:(1)详细分析了稀疏表示的基本理论和基于该理论的图像去噪模型;(2)提出了一种修正K-SVD的字典学习算法,通过抑制样本数据中的冲击成分对剩余有效信息进行训练,并从中学习出自适应于目标信号的冗余字典;(3)提出了一种基于修正K-SVD算法的图像脉冲噪声去除方法。首先通过ROLD(Rank-Ordered Logarithmic Difference)统计量检测出图像中的冲击噪声,然后通过修正K-SVD算法对样本数据进行训练,得到稀疏表示所需的冗余字典,进而利用稀疏编码技术找出噪声信号在冗余字典下的表示系数,最后通过该表示系数与冗余字典的乘积重建出干净的信号。大量仿真实验数据表明,本文所提出的算法可以有效去除图像中的脉冲噪声,与典型的图像脉冲噪声去除算法相比,在去噪性能上有一定的优势。