基于稀疏优化字典的图像去噪算法

稀疏表示算法是用过完备字典表示图像信息从而去除图像中的无用信息,达到去噪目的.KSVD字典是过完备字典中的一种,但是KSVD字典过于冗余,导致图像处理过程中冗余无用的图像信息降低算法的效率,为了提高KSVD字典的高效性和稀疏表示算法去噪能力,笔者提出了一种基于稀疏优化字典设计的图像去噪新算法.新算法的去噪步骤为首先运用正交匹配追踪算法求出稀疏系数;其次运用迭代算法用稀疏系数对初始DCT字典进行更新学习,在迭代的过程中逐渐去除噪声,得到去噪后的图像.仿真结果表明:与DCT字典算法、Global字典算法以及原有的KSVD字典算法进行对比,新方法的系数矩阵更加稀疏,去噪效果较好.     

基于稀疏自表示的模糊聚类图像分割算法

为了提高噪声污染图像分割的鲁棒性,提出一种基于稀疏自表示的模糊C均值聚类图像分割算法。该算法首先将图像过分割为超像素,以超像素作为图像基元,对每一块超像素进行特征提取,所有超像素的特征组成图像的特征矩阵;其次建立特征矩阵的稀疏自表示模型,将其以自身为字典时的表示系数作为表示样本间相关性的判别特征矩阵;最后利用模糊C均值聚类算法聚类图像的判别特征矩阵,得到图像的分割结果。对人造图像、自然图像和遥感图像添加高斯噪声和椒盐噪声,实验结果表明,改进算法对噪声污染的图像有较好的分割质量,有一定的抗噪鲁棒性。     

基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.     

一种改进的K-SVD字典学习算法

提出了一种ALM-KSVD字典学习算法,通过稀疏编码和字典更新两步迭代学习得到训练样本的字典.为了提高字典训练速度与性能,在稀疏编码引入增广拉格朗日乘子法(ALM,Augmented Lagrange Multipliers)求解,更新字典则使用经典K-SVD的字典更新算法.为考察算法的字典训练速度和平均表示误差(RMSE),选取了不同样本数和噪声标准进行数据合成实验,结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低.进一步考察算法的图像去噪能力,选取不同的输入图像噪声标准和字典原子数进行仿真,实验结果表明本文算法比经典的K-SVD算法获得更高的峰值信噪比(PSNR),具有良好的去噪性能.     

基于字典学习与稀疏表示的非结构化道路分割方法

针对野外环境自主车视觉导航问题,提出了一种新颖的基于字典学习与稀疏表示的道路分割算法。该算法以局部图像小片为处理单元,通过选取典型道路图像学习得到路面图像小片的一组字典,并利用车辆前方的一小块区域作为监督,通过在线字典学习对字典进行实时更新,使路面图像小片可在该字典上精确稀疏表示,而非路面图像小片则不能。因此建立了基于字典学习与稀疏表示的分类框架,利用局部图像小片在字典上的稀疏重构误差进行分类。大量实验结果表明,该算法能够适应多变的非结构化道路环境,且对光照、阴影及水坑等具有较好的鲁棒性。     

利用子空间改进的K-SVD语音增强算法

在低信噪比的情况下,稀疏表示无法将纯净语音完全从带噪语音中分离出来,针对此问题提出了一种利用子空间改进的K奇异值分解语音增强算法．首先,利用子空间最优估计器跟踪噪声; 其次,通过K奇异值分解算法对噪声进行训练,构建出噪声字典; 最后,用K奇异值分解算法训练语音字典．在训练过程中,如果某个原子对应的稀疏系数低于设定的阈值,并且该原子可在训练得到的噪声字典中找到,就把该原子对应的稀疏系数设为零,即可达到去噪的目的．仿真结果表明,改进算法去除白噪声和babble噪声的效果显著,有效提高信噪比和减少语音失真,同时,该算法也可以很好地应用于消除随机噪声．     

基于L0范数视觉显著性的织物疵点检测算法研究

提出了一种基于L0范数视觉显著性的织物疵点检测算法。首先将测试图像分块,针对每一个测试图像块,用随机选择的K个其他图像块与该图像块变异构建字典库,并利用该字典库对测试图像块进行稀疏表示。然后采用L0范数优化方法来求解稀疏系数,将变异图像块对应的稀疏系数作为该图像块的显著度,从而生成最终视觉显著度图。最后通过迭代最优阈值分割算法定位出疵点区域。该算法相对已有方法能更有效地检测出疵点区域。     

改进的Beta过程因子分析图像修复算法

图像修复是利用图像已知信息对图像破损区域进行填充修复的过程,而非参贝叶斯技术在图像稀疏表示中被认为是一种有效的字典学习方法,作为一种有效的非参贝叶斯算法,基于Beta过程因子分析算法(BPFA)在去噪、修复以及压缩感知方面有很广泛的应用.然而现有的BPFA算法在对含噪的破损图像修复时收敛速度慢,针对这个问题本文在BFPA算法更新字典时与K-SVD算法相结合,提出一种基改进的BPFA学习算法,改进算法利用K-SVD算法简单收敛速度快的特点,在原有算法更新参数时,利用OMP稀疏编码更新字典候选集以达到提高算法的收敛速度的效果.得到的结果表明本文算法能够更好地修复含噪破损图像获得较好的视觉效果.     

基于图像块先验的低秩近似和维纳滤波的去噪算法

利用混合高斯模型(gaussian mixture model, GMM)学习自然图像块的纹理结构,提出一种基于图像块先验的低秩近似和维纳滤波的去噪算法。该算法能够同时利用外部图像块的先验结构信息和内部图像的自相似性,对待去噪图像进行分块聚类,并根据每类相似块的数量进行协同滤波。当相似图像块数量较多时,采用低秩近似的方法复原,有效利用图像的内部自相似性;当相似图像块数量较少时,采用维纳滤波,利用先验信息保持图像重要的纹理结构。试验结果表明此方法较适用于弧形边界和角点等存在较少相似块的自然图像,其峰值信噪比(peak signal to noise ratio, PSNR)和视觉效果优于目前部分主流算法。     

一种抗加性高斯白噪声的盲图像源分离方法

针对基于聚类稀疏成分分析的盲图像源分离方法噪声敏感的问题,提出了一种抗加性高斯白噪声的盲图像源分离算法.通过分析混合图像与噪声图像间的相关性,估计混合图像中的噪声并去除,对去噪后的混合图像进行稀疏成分分析,即分离出源图像.实验结果表明,该算法能直接、有效地去除同分布的加性噪声,使叠加噪声的混合图像得到精确的分离.     

一种基于信号稀疏表示的语音去噪新方法

由于小波阈值在语音去噪中阈值的单一性,本文提出了一种基于稀疏表示理论的新的去噪算法.该算法首先用K-SVD字典学习得到信号在字典下的稀疏表示,其次用形态成分分析(Morphological Component Analysis,MCA)将语音信号分为高幅部分和低幅部分,最后用重构方法对各部分语音信号进行重构及合成.通过实验仿真,并与小波阈值去噪方法比较,本文所提方法的去噪效果更好,鲁棒性更强.     

封面图片说明

正封面图片来自本期论文"块核范数的RPCA分解与熵权类稀疏的壁画修复",是兰州交通大学电子与信息工程学院陈永教授课题组提出的块核范数的RPCA分解与熵权类稀疏的壁画修复字典构造过程示意图。首先,采用提出的基于块核范数的RPCA图像分解算法得到待修复壁画的结构层图像。然后,对结构层图像进行类稀疏修复时,采用提出的熵加权的k-means聚类算法,得到结构相似的各子类图像并构造生成相应的类字典。最后,通过奇异值分解和分裂Bregman迭代优化的类稀疏修复方法,     

基于联合字典稀疏表示的遥感图像超分辨率制图

超分辨率制图是一种由低分辨率遥感图像获得高分辨率土地覆盖图的技术,针对空间相关性原则不足以描述复杂地物模式的问题,本文提出了一种基于联合字典稀疏表示的超分辨率制图方法。利用迁移学习机制,使用自然图像训练高、低分辨率图块联合字典,并根据高、低分辨率图像块对与其对应字典的稀疏表示间的一致性,将低分辨率丰度图像的稀疏表示与高分辨率字典结合生成高分辨率软分类图像,最后进行类分配从而获得高分辨率土地覆盖图。利用合成Landsat多光谱图像和NLCD 2001子图像对所提方法进行测试,并与几种现有的典型超分辨率制图方法进行比较,实验结果显示本文所提算法的超分辨率制图精度优于对比算法。     

区分性联合稀疏字典交替优化的语音增强

在联合稀疏字典的语音增强中,由于联合字典的相似性,导致稀疏重构阶段产生语音和噪声混淆进而产生语音失真问题。针对此,在训练阶段提出一个费希尔准则下的目标函数。该函数包含了语音和噪声的区分约束项,并用与信号变化相关的平衡因子去调整各项权值,为尽可能减小混淆误差提供了保障;同时,为了能使目标函数收敛,设计了一种交替优化字典和稀疏系数的算法,迭代寻找所需的字典和稀疏系数,完成语音字典和噪声字典的输出,得到具有非相似即区分性能较好的联合字典。在增强阶段,将带噪语音信号在联合字典上进行稀疏表示,并估计出语音幅度谱和噪声幅度谱。最后,结合维纳滤波器和理想二值掩模的优点,提出了新的软掩模滤波器,进一步消除了残余噪声。通过对不同信噪比的带噪语音进行实验,新算法得到的语音信噪比和听觉感知评价都较高,验证了新算法在提高语音性能方面的有效性。     

基于原始对偶字典学习的磁共振复数图像去噪

针对磁共振(magnetic resonance,MR)幅度图像中带有不易去除的与信号相关的莱斯(Rician)噪声问题,利用其复数图像中的实部与虚部所含噪声为不相关的加性高斯白噪声这一特性,代替对幅度图像直接去噪,提出将原始对偶字典学习(predual dictionary learning,PDL)算法用于对MR复数图像的实部与虚部分别进行去噪,然后组合得到幅度图像的方法.经仿真实验和在HT-MRSI50-50(50 mm)1.2 T小动物核磁共振系统中的实际应用,证明所提方法较直接对幅度图像去噪取得更好的效果,在有效去除MR图像噪声的同时能较好地保持图像中的细节.与经典的字典学习算法核奇异值分解(kernel singular value decomposition,K-SVD)相比,PDL算法去噪效果优于K-SVD算法,而运算速度提高约5倍.与经典的基于非局部相似块的三维块匹配滤波(block-matching and 3D filtering,BM3D)算法相比,在噪声水平较低时PDL算法略优于BM3D算法,噪声水平较高时BM3D算法略优于PDL算法,两者总体比较接近.     

基于过完备字典学习的全变分图像去噪方法

为了改善低信噪比情况下去噪效果、边缘保持能力差的问题,提出一种联合全变分正则项的字典学习图像去噪方法.首先,把增广拉格朗日乘子法和正交匹配追踪这两种求解稀疏编码的方法跟经典的K-SVD思想相交融,改善字典性能;其次,将全变分去噪模型融入到基于字典学习的图像去噪理论中,在图像重构基础上,引入全变分约束项,作为改进去噪模型中新的一项,达到对噪声和图像边缘作后续优化处理、改善图像去噪性能的目的.实验结果表明,改进的去噪方法,在保持原有去噪效果前提下,在噪声标准差较大或者图片边缘信息丰富时,去噪图像更加自然,边缘更加清晰,视觉效果较好.     

一种基于稀疏字典和残余字典的遥感图像超分辨重建算法

为了解决低分辨率遥感图像超分辨率重建问题,提出一种基于稀疏字典和结构自相似性的遥感图像超分辨方法.首先,引入了稀疏字典学习方法,改善了字典的结构性,得到的字典具有较好的正则性与灵活性.此外,为了更好地重建高分辨率图像,学习初始稀疏字典对和残余稀疏字典对.初始稀疏字典对用于重建初始高分辨率遥感图像;初始高分辨率遥感图像相对于原始高分辨率图像失去了部分细节信息,用残余稀疏字典对对图像的残留信息进行重建.最后,根据遥感图像存在大量的结构相似性特性,利用非局部均值算法对重建图像进行修正.实验结果表明,本算法与其他算法相比,图像质量在主观和客观方面都有所提高,峰值信噪(PSNR)比达到24.690 5,SSIM达到0.736 3.     

稀疏表示中字典学习的影响因子研究

研究了稀疏表示中影响字典矩阵构建质量的关键因素,并实现了关键因子定量化表示. 分别对图像数量、取块大小、字典列数和取块步长等因子进行参数调整并生成字典矩阵,结合系数矩阵对原始图像重构,以峰值信噪比和结构相似性索引测量这两种质量评价指标作为字典质量的评估依据. 实验以CMU_PIE_Face数据库为数据源,结果表明当图像数量为500张、取块大小为4个像素点、字典列数为512维、取块步长为2个像素点时,所得到的字典具备对原始图像的最佳表示能力. 因此,稀疏表示中关键因子的定量化表示可加速字典学习过程且简化模型复杂度,提高字典抽象层质量,具备更强的图像表现力.     

基于马尔科夫专家场的泊松噪声图像去噪方法

提出一种基于贝叶斯概率模型的泊松噪声图像去噪方法. 该方法基于贝叶斯最大后验概率模型框架,结合泊松概率分布,构建图像去噪模型. 考虑到马尔科夫随机场不能对复杂自然图像有效表征,引入高阶的马尔科夫专家场作为模型先验正则项,以表征图像自身概率分布. 利用二次惩罚函数,优化求解去噪模型,还原清晰图像. 将所提方法与其他去噪算法进行仿真实验对比,并采用峰值信噪比和结构相似性2种评价指标对去噪效果进行客观评价. 实验结果表明：与传统去噪方法相比,该方法的峰值信噪比至少提升了0.18 dB,去噪性能显著优于其他方法,能更好地保留图像的细节信息.