论文部分内容阅读
图像去噪技术是数字图像处理领域的一个重要的研究课题。稀疏表示理论作为当今的一个热门研究课题，为图像去噪方法带来了新的思路。稀疏表示域从正交基原子到冗余字典，再到自适应学习冗余字典，体现了稀疏表示理论的研究逐渐地趋向于冗余性和自适应性方向发展。通过学习的方式得到冗余字典能够自适应地对图像进行稀疏表示，将它用于图像的稀疏表示去噪能取得较好的效果，不过该类算法也存在它的局限性，例如基于K-SVD的稀疏表示图像去噪算法在弱纹理和弱边缘的地方会出现模糊，光滑区域也会出现伪纹理，同时，当噪声很大的时候，去噪的效果不是很理想。针对上述去噪算法存在的问题，我们对BM3D和非局部均值算法进行了研究，提出了一种基于区域划分和字典学习的图像去噪方法，本文创新工作如下：1、提出了基于K-SVD和BM3D相结合的图像去噪方法。基于K-SVD的图像去噪算法在用OMP算法求解图像块的稀疏系数时，由于弱纹理和弱边缘处图像块的标准差小于OMP算法给定的阈值，不能用字典原子来对其表示，而只是用局部均值的思想来实现去噪，所以会出现模糊的现象。我们用对纹理和结构信号去噪效果较好的BM3D算法对标准差小于OMP算法给定阈值的图像块进行去噪，有效地解决了基于K-SVD的图像去噪方法在弱纹理和弱边缘部分出现模糊的问题；2、提出了基于区域划分和字典学习的图像去噪方法。首先利用Primal sketch稀疏表示模型和图像块的统计特征将图像划分为结构区域、纹理区域和光滑区域。我们用基于K-SVD和BM3D的图像去噪方法分别对结构区域和纹理区域进行去噪，同时将能较好表示边缘轮廓信号的Ridgelet冗余字典作为结构区域的初始字典，能较好表示纹理信号的DCT冗余字典作为纹理区域的初始字典，从而能够更加有效地对图像的边缘和纹理信息进行稀疏表示；用改进的非局部均值算法对光滑区域进行去噪，解决了基于K-SVD的图像去噪方法中光滑块出现伪纹理的问题。通过仿真实验表明，该方法与基于K-SVD的图像去噪方法相比，改善了光滑区域的去噪效果，同时，有效地保持了图像的边缘和纹理信息。