一种基于双字典学的非局部稀疏表示图像去噪方法

摘要

本发明一种基于双字典学的非局部稀疏表示图像去噪方法改进了Dong非局部稀疏表示模型中所用到传统的Kmeans聚类方法，具体利用聚类中心字典学方法分析与挖掘各相似类间的相关性，并将这一相关性引入传统的Kmeans聚类方法，以提高聚类的准确性，从而达到增强稀疏表示模型性能的目的。本发明包括：对待去噪图像，利用kmeans聚类方法，产生各类；计算各类中心图片；利用权利要求1所述的聚类中心字典学方法，得到各聚类中心的稀疏表示，继而重建各聚类中心图像块；更新传统Kmeans结果中的聚类中心；循环，直至满足结束条件；构建各类对应的紧致PCA字典；构造类内图像片稀疏编码误差项；利用迭代收敛算法求解。

主权项

一种基于双字典学习的非局部系数表示图像去噪方法，其特征在于，包括如下步骤：步骤A，对待去噪图像，利用kmeans聚类方法， 产生各类；步骤B，计算各类中心图片；步骤C，利用聚类中心字典学习方法，得到各聚类中心的稀疏表示，继而重建各聚类中心图像块，所述聚类中心字典学习方法包括以下步骤：用传统方法稀疏表示聚类中心图像块；根据稀疏表示结果与字典，生成稀疏性模式；根据各模块稀疏性模式与相似块快速查找表，构造相关性函数，继而构造相关性矩阵，其中相似性快速查找表记录了与当前图像块最相似的 N个图像块；根据相关性矩阵构造基于相关分析的稀疏性先验模型；建立稀疏性模式先验分布模型；利用最大后验概率估计方法估计稀疏性模式，生成新的聚类中心图像片；步骤D，更新传统Kmeans结果中的聚类中心；步骤E，循环，直至满足结束条件；步骤F，构建各类对应的紧致PCA字典；步骤G，构造类内图像片稀疏编码误差项；步骤H，利用迭代收敛算法求解。