论文部分内容阅读
图像去噪是计算机视觉领域一个很重要的基础课题。图像去噪的目的就是从受到噪声污染的图像中,恢复出原来清晰的图像。目前,图像去噪的方法大致可以分为三类:空间域、频率域和基于稀疏表示的字典学习等方法。随着压缩感知技术的快速发展,基于稀疏表示的去噪算法表现出了很好的适应性,通过学习或设计合适的字典,对给定的图像块进行自适应性的表达,能够很好地表示图像的结构特征。本文就是以稀疏表示为理论基础,探究图像去噪的方法。稀疏表示和图像的非局部自相似性在图像去噪中扮演着很重要的角色,但是在运用稀疏表示和非局部自相似性去噪的同时,可能会对图像的细节结构(比如边缘结构)产生过光滑或者伪纹理等现象,为了提高图像的去噪性能,本文提出了一个基于边缘增强和稀疏表示的图像去噪模型(ENSR: Edge Enhanced and Nonlocal Sparse Representation Model)。该模型将图像的边缘检测、局部稀疏性和非局部自相似性结合到了一起,通过迭代阈值算法对模型中的l1-范数最小化问题进行求解。实验表明,模型在加入边缘正则项之后,去噪效果有了一定的提高,很好地保护了边缘结构,改善了重构图像的质量。在实际应用中噪声的分布往往比较复杂,本文对ENSR模型进行了改进,用于解决混合噪声的问题。在稀疏编码过程中,针对混合噪声分布特有的重尾现象,在模型中引入了加权编码的概念,提出了基于边缘增强和稀疏表示的混合去噪模型(M-ENSR),并通过迭代加权算法进行求解。实验表明,与其他传统的混合去噪算法相比,本文的算法有比较大的优势,能够很好地保留原始图像的边缘和细节信息,具有重要的实际应用价值。