基于稀疏表示的圖像復原算法研究.pdf

1、在圖像的獲取過程中,經常會出現(xiàn)視頻幀運動模糊、混入噪聲、分辨率下降等一系列降質的狀況。這就意味著圖像中某些有用信息丟失,圖像的可用價值降低。而在公共管理、安防、醫(yī)療、軍事等領域,圖像給人們提供的信息至關重要,已經是社會發(fā)展不可或缺的工具。所以,對圖像的降質部分進行信息的復原,以獲得質量較高的清晰圖像是很有必要的。
　　本文結合最新的稀疏理論,主要對圖像的去噪和超分辨率進行研究。
　　稀疏理論常用于信號降維,二維的圖像經過稀疏

2、分解即可用少量的字典原子線性表示。鑒于字典在稀疏算法中的重要性,本文對稀疏字典的學習算法進行了研究。主要將字典分為三類:基本的變換基、冗余的全局字典和冗余的局部字典,然后對這三類字典的學習方法進行仿真,并且將其應用到圖像的去噪處理中。
　　稀疏的圖像去噪算法認為圖像可被稀疏分解而噪聲不能被稀疏分解。利用這一特點,通過稀疏表示來去除圖像噪聲。本文分別對基于DCT變換基、基于KSVD全局字典、基于KLLD局部字典的稀疏去噪算法進行了仿

3、真。
　　鑒于冗余字典稀疏算法的優(yōu)越性,本文將該算法應用到單幀的圖像超分辨率中?？紤]到圖像超分辨重建特點,建立一個清晰圖像的樣本庫,并通過不同的學習法分別得到高、低分辨率字典。本文對三種全局字典的學習法進行仿真分析,即初始樣本小塊字典法、拉格朗日對偶訓練法、KSVD訓練法。
　　考慮到全局字典算法在細節(jié)圖像中的局限性,本文將圖像分類的思想和Dual字典學習法進行結合提出了一種改進的算法,即Dual_KLLD算法。對于細節(jié)圖像