基于 DCT 过完备字典和 K-SVD 的图像稀疏去噪方法
2017-11-01 09:26
337 查看
本文主要介绍基于DCTDCT 过完备字典和 K-SVD 的图像稀疏去噪方法。在实现这个功能之前需要了解下面的一些知识:
1. 《离散余弦变换(DCT)的来龙去脉》
2. 《构建DCT过完备字典》
3. 《稀疏表示》
4. 《K-SVD的原理及实现方法》
基于稀疏分解的图像去噪方法是先从含有噪声的图像中提取稀疏成分,然后利用提取出的图像稀疏成分重建图像,则重建的图像即为去噪后的图像。
将含噪图像矩阵以 8 × 8 为一块,依次按列和行的方式,并将每一个子图象转换为一个 64× 1 的列向量。生成新的矩阵Blocks,Blocks中位于同一列的元素都减去该列所在的均值(按列归一化,字典初始化的过程也是按列归一化的)。
使用噪声图像,利用 K-SVD 的方法训练字典
再将噪声图像在训练好的字典上分解,重构原始信号,加上去掉的均值完成去噪。
1. 《离散余弦变换(DCT)的来龙去脉》
2. 《构建DCT过完备字典》
3. 《稀疏表示》
4. 《K-SVD的原理及实现方法》
1. 稀疏去噪的原理
基于稀疏分解的图像去噪按照是否是图像中的稀疏成分把图像中的信息和噪声分开。一个原子是有特殊结构的,图像中有一定结构的成分构成有用信息,是能够用原子来表示的。但图像中的噪声是没有结构的,所以不能用原子来表示。这样就可以将图像和噪声区别开来,已达到去噪的目的。基于稀疏分解的图像去噪方法是先从含有噪声的图像中提取稀疏成分,然后利用提取出的图像稀疏成分重建图像,则重建的图像即为去噪后的图像。
2. 图像稀疏去噪算法描述
选择字典作为过完备字典 ,参考 《构建DCT过完备字典》构建一个64×256的字典。将含噪图像矩阵以 8 × 8 为一块,依次按列和行的方式,并将每一个子图象转换为一个 64× 1 的列向量。生成新的矩阵Blocks,Blocks中位于同一列的元素都减去该列所在的均值(按列归一化,字典初始化的过程也是按列归一化的)。
使用噪声图像,利用 K-SVD 的方法训练字典
再将噪声图像在训练好的字典上分解,重构原始信号,加上去掉的均值完成去噪。
相关文章推荐
- 基于K-SVD稀疏字典的图像去噪算法
- 基于DCT字典图像稀疏去噪算法学习
- 阅读笔记——基于字典学习的图像分类方法总结
- 基于超完备字典的信号稀疏分解
- K-SVD简述——字典学习,稀疏编码
- 基于小波多尺度和熵在图像字符特征提取方法的改进
- 基于总变差模型的纹理图像中图像主结构的提取方法。
- 基于DCT变换的数字图像分层压缩编码
- 传统方法学习(Sparse coding and ICA model)的过完备字典带来的问题
- 基于图像像素梯度的角点检测方法综述
- VS2010实现opencv基于DCT的图像压缩
- 基于图像分割的立体匹配方法
- 基于振动图像纹理特征识别 的滚动轴承故障程度诊断方法研究
- 【分类——笔记01】基于稀疏编码的半监督图像分类研究
- 基于MATLAB的储粮害虫图像处理方法
- 【OpenCV学习笔记】之四:二值图像细化方法/骨架提取----基于2.0 Mat接口
- 基于稀疏表示的分类方法 Sparse Representation based Classification Method
- [置顶] 基于DL的计算机视觉(2)--实现图像分类最简单的方法:KNN
- opencv:基于不变矩方法的图像特征提取
- 基于图像分割的立体匹配方法