主权项 |
1.一种基于非局部稀疏模型的图像去噪方法,包括如下步骤:1)对含噪图像c中的任一点i,以其为顶点选取i的邻域,邻域大小为f×f,将邻域块列化为向量记为x<sub>i</sub>,再以i为中心得到一个尺度为<img file="FDA0000128453550000011.GIF" wi="68" he="57" />的正方形搜索窗Δ,在搜索窗Δ内计算x<sub>i</sub>的相似集合:<maths num="0001"><![CDATA[<math><mrow><msub><mi>S</mi><mi>i</mi></msub><mo></mo><mo>{</mo><mi>j</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>J s</mi><mo>.</mo><mi>t</mi><msubsup><mrow><mo>.</mo><mrow><mo>|</mo><mo>|</mo><msub><mi>x</mi><mi>j</mi></msub><mo>-</mo><msub><mi>x</mi><mi>i</mi></msub><mo>|</mo><mo>|</mo></mrow></mrow><mn>2</mn><mn>2</mn></msubsup><mo>≤</mo><mi>ϵ</mi><mo>}</mo></mrow></math>]]></maths>其中,x<sub>j</sub>为Δ中点j邻域的向量;ε为关于含噪图像c噪声标准差σ的参数;i=1,...,n;n为含噪图像中点的总数;2)为相似集合S<sub>i</sub>设计稀疏表示的字典D<sub>i</sub>:2a)将相似集合S<sub>i</sub>大小记为|S<sub>i</sub>|,选择阈值参数u=15;2b)将|S<sub>i</sub>|与阈值参数进行比较,选择字典D<sub>i</sub>:当|S<sub>i</sub>|<u时,选择K-SVD算法中使用的字典作为S<sub>i</sub>的字典D<sub>i</sub>;当|S<sub>i</sub>|≥u时,首先对相似集合S<sub>i</sub>的字典D<sub>i</sub>进行初始化,初始化字典记为<img file="FDA0000128453550000013.GIF" wi="153" he="56" />包括两个部分:一是计算S<sub>i</sub>中相似数据{x<sub>j</sub>,j∈S<sub>i</sub>}的均值向量<img file="FDA0000128453550000014.GIF" wi="297" he="91" />作为<img file="FDA0000128453550000015.GIF" wi="56" he="56" />中的一个原子;二是利用均值采样方法从S<sub>i</sub>中采样9个相似数据x<sub>j</sub>,j∈S<sub>i</sub>,作为<img file="FDA0000128453550000016.GIF" wi="56" he="56" />其余的原子;然后利用K-SVD中奇异值分解与多次迭代的学习方法,结合SOMP算法对初始化字典<img file="FDA0000128453550000017.GIF" wi="56" he="56" />进行学习更新,得到S<sub>i</sub>的字典D<sub>i</sub>;3)以相似集合S<sub>i</sub>内的所有相似数据x<sub>j</sub>为列向量组成矩阵X<sub>i</sub>,其中j∈S<sub>i</sub>;利用相似集合S<sub>i</sub>的字典D<sub>i</sub>,使用SOMP算法求解不等式<img file="FDA0000128453550000018.GIF" wi="333" he="56" />的最小零范数解A<sub>i</sub>,A<sub>i</sub>即为X<sub>i</sub>的稀疏系数矩阵,大小为K×|S<sub>i</sub>|;其中,K为字典大小;ε<sub>i</sub>=(cσ)<sup>2</sup>,c=1.02为常数;4)利用相似集合S<sub>i</sub>的字典D<sub>i</sub>和稀疏系数矩阵A<sub>i</sub>对相似数据{x<sub>j</sub>,j∈S<sub>i</sub>}进行稀疏重构,得到相似数据{x<sub>j</sub>,j∈S<sub>i</sub>}中每个邻域x<sub>j</sub>的去噪结果:<img file="FDA0000128453550000021.GIF" wi="217" he="58" />i=1,2,...,n;5)根据含噪图像中的每一点均包含在不同的邻域x<sub>j</sub>中,即图像中的每一点有多个去噪结果的特性,对图像c中每一点的所有去噪结果进行求和并取均值,得到图像c去噪后的结果<img file="FDA0000128453550000022.GIF" wi="48" he="40" /><maths num="0002"><![CDATA[<math><mrow><mover><mi>x</mi><mo>^</mo></mover><mo>=</mo><mi>diag</mi><msup><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><munder><mi>Σ</mi><mrow><mi>j</mi><mo>∈</mo><msub><mi>S</mi><mi>i</mi></msub></mrow></munder><msub><mi>R</mi><mi>j</mi></msub><msub><mn>1</mn><mi>m</mi></msub><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><munder><mi>Σ</mi><mrow><mi>j</mi><mo>∈</mo><msub><mi>S</mi><mi>i</mi></msub></mrow></munder><msub><mi>R</mi><mi>j</mi></msub><msub><mover><mi>x</mi><mo>^</mo></mover><mi>j</mi></msub></mrow></math>]]></maths>其中,m=f<sup>2</sup>;<img file="FDA0000128453550000024.GIF" wi="198" he="56" />是二值矩阵,表示x<sub>j</sub>在图像c中的位置;1<sub>m</sub>是长度为m值全1的向量;<img file="FDA0000128453550000025.GIF" wi="348" he="120" />表示像素点被估计的次数;<img file="FDA0000128453550000026.GIF" wi="211" he="120" />表示像素点所有去噪结果的和。 |