統(tǒng)計(jì)學(xué)習(xí)圖像去噪方法研究.pdf

1、近年來(lái)，基于字典學(xué)習(xí)的圖像去噪方法已經(jīng)成為圖像處理領(lǐng)域中的一個(gè)研究熱點(diǎn)。該方法基于統(tǒng)計(jì)學(xué)習(xí)理論，能從一組訓(xùn)練樣本中學(xué)習(xí)得到自適應(yīng)表示圖像塊的字典，對(duì)加性高斯白噪聲可以達(dá)到較好的去噪效果。
　　 本文在研究超完備稀疏表示和字典學(xué)習(xí)的基礎(chǔ)上，討論了多種統(tǒng)計(jì)字典學(xué)習(xí)方法，包括KSVD字典學(xué)習(xí)、在線字典學(xué)習(xí)和非參數(shù)Bayesian字典學(xué)習(xí)方法等。分析了現(xiàn)有字典學(xué)習(xí)圖像去噪方法未充分利用圖像自相似性的缺陷，提出結(jié)合圖像自相似性的幾種字典學(xué)

2、習(xí)圖像去噪方法。主要工作包括：
　　 (1)提出基于圖像自相似性正則的字典學(xué)習(xí)圖像去噪方法。在稀疏表示和字典學(xué)習(xí)圖像去噪的框架下，將空域字典學(xué)習(xí)和非局部自相似性策略相結(jié)合，設(shè)計(jì)了圖像自相似性正則，以及基于稀疏性和圖像自相似的統(tǒng)計(jì)字典學(xué)習(xí)方法，克服了KSVD字典學(xué)習(xí)去噪方法利用圖像相似信息不充分的局限。在自然圖像上驗(yàn)證了方法的有效性，實(shí)驗(yàn)結(jié)果表明：本方法相比基于稀疏表示和字典學(xué)習(xí)的去噪方法，在提高同質(zhì)區(qū)域平滑性的同時(shí)兼顧保留圖像的

3、紋理、輪廓、邊緣細(xì)節(jié)信息，去噪后的圖像具有更好的視覺效果和更高的數(shù)值評(píng)價(jià)指標(biāo)。
　　 (2)基于圖像多尺度去噪原理，提出基于圖像自相似性正則的多尺度字典學(xué)習(xí)圖像去噪方法。利用多尺度變換提取出圖像的各個(gè)尺度上的細(xì)節(jié)信息，設(shè)置各個(gè)尺度的殘差控制因子，在各個(gè)尺度分別用學(xué)習(xí)獲得的字典進(jìn)行去噪，從而很好地保留了圖像細(xì)節(jié)，克服了單尺度字典學(xué)習(xí)去噪方法利用圖像細(xì)節(jié)結(jié)構(gòu)信息不充分的局限。這種方法在保持均勻區(qū)域平滑的基礎(chǔ)上兼顧保留了圖像的細(xì)小紋理

4、邊緣等信息。在自然圖像上的實(shí)驗(yàn)結(jié)果充分證明了其有效性，相比第三章所提出的單尺度字典學(xué)習(xí)與自相似性的方法，在視覺效果和數(shù)值指標(biāo)上都有所提高。
　　 (3)在第三章空域去噪算法的基礎(chǔ)上，利用BM3D采用塊匹配操作挖掘圖像自相似性的優(yōu)點(diǎn)，提出基于多尺度字典學(xué)習(xí)和BM3D約束正則的圖像去噪方法。設(shè)計(jì)了利用BM3D去噪結(jié)果的約束項(xiàng)，并分析了約束項(xiàng)的正則因子的經(jīng)驗(yàn)求解方法，建立去噪模型。利用了第四章多尺度變換方法分解圖像得到多尺度細(xì)節(jié)信息，