自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

基于联合滤波的聚类稀疏表示图像去噪算法

针对非局部均值去噪算法中噪声对结构聚类影响的问题,提出了一种基于联合滤波预处理的聚类稀疏表示图像去噪算法。利用维纳滤波和巴特沃斯滤波联合滤波处理提取含噪图像中的高频分量,同时减小了噪声对聚类的影响;利用非局部均值去噪的思想将高频图像块进行聚类,每一类图像块单独进行字典学习,增强字典的自适应性;利用多循环字典更新的K-SVD算法进行类内字典学习,增强字典的描述能力。实验结果表明,与传统的K-SVD算法相比,该算法能有效保留图像的结构信息,并且提升了图像的去噪效果。     

基于联合稀疏变换学习的工件去噪方法研究

针对视觉测量中给光好坏会直接影响工件检测精度和效率的问题,提出了一种基于联合稀疏变换学习对不同光源下工件图像去噪的方法。该方法首先从噪声图像中提取噪声图像块,通过稀疏编码和稀疏变换更新交替运算对噪声图像块进行内部聚类变换学习;然后计算每个噪声图像块中聚类信号的稀疏水平,并选择最小稀疏水平作为该去噪块的稀疏水平;最后对去噪块进行聚类并用最后一次迭代去噪块的均值估计去噪图像。实验结果表明,提出的方法对不同光源下工件图像的去噪效果和计算速度均优于其他算法,具有较好的去噪性能。     

基于非局部自相似性的谱聚类图像去噪算法

常见的图像去噪方法只是单独地利用了无噪图像或含噪图像的先验信息,并没有将这两种图像的先验信息有效地结合起来。针对这个问题,提出一种 联合无噪图像块的先验信息和含噪图像块的非局部自相似性进行去噪的图像去噪算法。首先,对无噪图像块进行谱聚类,通过谱聚类进行学习,图像中的相似块被聚集到同一类,并将学习得到的聚类信息用于含噪图像块的聚类;然后,向量化同一类中的含噪图像块并聚集形成一个矩阵,该矩阵中包含的原始图像数据构成一个低秩矩阵;再通过一个低秩逼近过程估计出相应的原始图像数据;最后,根据逼近得到的原始图像数据重建图像。实验结果表明,相较于已有的自适应正则化的非局部均值去噪算法以及基于主成分分析和局部像素聚类的两级图像去噪算法,提出的算法不仅可以获得较大的峰值信噪比,而且还能较好地保存图像的细节,取得了更好的去噪效果。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力,提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法,该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性,对遥感图像像素进行聚类后划分为不同的组,然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后,对空间相似的块进行平均处理,实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪,峰值信噪比相比band-wise K-SVD算法提高了7.6%左右,同时具有更好的视觉效果。     

基于块分类和字典优化的K-SVD图像去噪研究

基于K-奇异值分解（K-SVD）的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪,能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑;此外,K-SVD算法训练得到的字典中往往含有噪声原子,从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性,提出一种新的去噪方法：基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典,能够更为稀疏地表示图像;然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子,并对噪声原子进行替换,减弱噪声原子对去噪性能的影响,得到优化字典;利用优化字典对图像进行稀疏表示去噪。仿真实验表明,与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比,新方法能够取得更好的去噪结果。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力，提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法，该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性，对遥感图像像素进行聚类后划分为不同的组，然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后，对空间相似的块进行平均处理，实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪，峰值信噪比相比band-wise K-SVD算法提高了7.6%左右，同时具有更好的视觉效果。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力,提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法,该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性,对遥感图像像素进行聚类后划分为不同的组,然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后,对空间相似的块进行平均处理,实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪,峰值信噪比相比band-wise K-SVD算法提高了7.6%左右,同时具有更好的视觉效果。     

基于非局部自相似性的低秩稀疏图像去噪

针对许多图像去噪方法在去除噪声的同时容易丢失细节信息的问题,提出了一种基于非局部自相似性的低秩稀疏图像去噪算法。首先,利用基于马氏距离（MD）的块匹配方法将外部自然干净图像块分组,建立基于块组的高斯混合模型（GMM）学习非局部自相似性先验;其次,采用稳健主成分追踪（SPCP）方法,将噪声图像矩阵分解为低秩、稀疏及噪声三部分,其中稀疏矩阵包含了稀疏的有用信息;最后,通过最小化全局目标函数实现去噪。实验结果表明,提出的方法在峰值信噪比（PSNR）及结构相似性（SSIM）的结果上比EPLL、NCSR、PCLR等先进去噪算法都有较大的提升,且速度更快,去噪效果及细节保留能力都有更好的表现。     

基于DCT过完备字典和MOD算法的图像去噪方法

文章介绍了一种DCT过完备字典和MOD算法相结合的图像稀疏表示去噪算法。首先将噪声图像分成小图像块,并运用正交匹配跟踪算法（0MP）在图像的初始化DCT过完备字典上对小图像块进行稀疏分解;然后使用MOD字典学习算法对DCT过完备字典进行更新;最后重复该过程以获得图像的稀疏表示并重构图像。试验结果表明：该方法在实现图像去噪的同时,其去噪性能比传统的方法更有优势。     

Fractional-order Sparse Representation for Image Denoising

Sparse representation models have been shown promising results for image denoising. However, conventional sparse representation-based models cannot obtain satisfactory estimations for sparse coefficients and the dictionary. To address this weakness, in this paper, we propose a novel fractional-order sparse representation (FSR) model. Specifically, we cluster the image patches into K groups, and calculate the singular values for each clean/noisy patch pair in the wavelet domain. Then the uniform fractional-order parameters are learned for each cluster. Then a novel fractional-order sample space is constructed using adaptive fractional-order parameters in the wavelet domain to obtain more accurate sparse coefficients and dictionary for image denoising. Extensive experimental results show that the proposed model outperforms state-of-the-art sparse representation-based models and the block-matching and 3D filtering algorithm in terms of denoising performance and the computational efficiency.      

基于VGG网络与深层字典的低剂量CT图像去噪算法

低剂量计算机断层扫描（LDCT）能够有效降低X射线辐射对人体健康造成的危害,已广泛应用于医学临床诊断。针对LDCT图像中存在大量的斑点噪声和条形伪影的问题,提出一种结合改进的VGG网络和深层字典的图像去噪算法,以弥补深层字典去噪能力的不足。在深层字典学习到第一层字典原子和稀疏矩阵后,通过改进的VGG网络将字典原子区分为信息原子和噪声原子,同时将稀疏矩阵中噪声原子所对应的元素设置为零,降低噪声原子对图像去噪效果的影响。实验结果表明,与K-SVD算法、正则化K-SVD算法和深层字典学习算法相比,该算法的峰值信噪比和结构相似性指数平均提高了1.4 dB和0.03,能够有效抑制LDCT图像噪声和伪影,且保留较多的边缘和细节信息。     

基于稀疏表示与字典学习的彩色图像去噪算法

针对彩色图像在去噪时易产生模糊现象和伪色彩的问题,提出多信息结合字典算法。首先提出了基于RGB颜色空间各通道模值的加权梯度定义,并在此基础上建立了由彩色图像的亮度、加权梯度、颜色信息结合的一种过完备结构字典。其次利用噪声图像的稀疏性,通过不断更新迭代的字典训练过程,找到最优稀疏系数和最优学习字典,从而将噪声信息和图像有用信息分离开,精确重构图像并单求其颜色,进而得到去噪后的彩色图像。实验结果显示,与已有算法相比,本文提出的算法在不同的噪声强度下都取得了更好的视觉效果和更高的客观评价指标值,表明该算法具有良好的去噪性能。