论文部分内容阅读
数字图像在获取过程中,由于各种各样的原因不可避免的会受到噪声的污染,导致图像质量退化,从而影响图像的后续处理。图像去噪作为图像处理的初级阶段,在数字图像处理中起着举足轻重的作用。 稀疏表示是图像去噪领域使用最广泛的方法之一,为了提高基于稀疏表示的图像去噪性能,非局部中央稀疏表示模型联合了图像稀疏性与非局部自相似性,利用图像非局部自相似来估计原始图像稀疏编码系数,然后使观测图像的编码系数尽量接近这些估计,来达到更好的去噪效果。改进稀疏表示去噪性能的常用方法是设计有效的正则化项。本文通过构建不同的正则化项来获得好的去噪效果,主要包括以下方面: (1)对于加性白高斯噪声移除,现有的非局部稀疏表示去噪算法大多严格依赖于块匹配,且其去噪性能受制于匹配的相似块的数量。鉴于此,提出了组约束与非局部稀疏的图像去噪模型。模型在非局部稀疏的基础上加入了分组约束,增强了图像块之间的非局部相似度,块匹配更加精确。实验表明,模型无论是在视觉效果还是峰值信噪比上均具有较好的性能。 (2)对于加性白高斯噪声与脉冲噪声的混合噪声移除,采用加权编码的方法,给每个残差分配合适的权重,得到加权残差,从而减弱脉冲噪声的影响。建立了组约束与加权非局部稀疏模型。实验结果验证了该算法的先进性。