没有合适的资源?快使用搜索试试~ 我知道了~
一等奖D题_山东科技大学_李倩_孔令波_李晓杭1
需积分: 0 0 下载量 133 浏览量
2022-08-03
17:39:16
上传
评论
收藏 1.73MB PDF 举报
温馨提示
试读
53页
摘要我们在标准的Cameraman 图加上标准偏差为 10 的高斯噪声,然后将加噪图像分割为相互重叠大小为8 8的小块,以小块图像为研究对象进行稀疏表示。针对问
资源详情
资源评论
资源推荐
图像去噪中几类稀疏变换的矩阵表示
摘要
我们在标准的
Cameraman
图加上标准偏差为 10 的高斯噪声,然后将加噪图
像分割为相互重叠大小为
88
的小块,以小块图像为研究对象进行稀疏表示。
针对问题一,分析图像去噪的稀疏表示方法。首先我们分析加性噪声中高斯
噪声的特点,然后研究稀疏表示图像去噪的基本原理和方法。稀疏表示的两个关
键点是稀疏分解算法和训练字典的构造,我们详细介绍了
OMP
算法的原理和实
现方法。最后提出构造小块图像稀疏模型和重构整体图像稀疏模型的思路。
针对问题二,分别建立基于
DCT
、
DWT
、
PCA
和
SVD
稀疏变换的图像去
噪模型。对
DCT
的稀疏变换,在一维离散余弦变换公式的基础上,按行、列推
导出二维正逆离散余弦变换公式,并构造
DCT
过完备字典,建立离散余弦变换
稀疏表示的图像去噪模型。对
DWT
稀疏变换,首先分析离散小波变换和
DBn
小
波的运行机制,连续小波函数的离散化、小波系数的阈值计算和小波系数阈值化,
然后以
4DB
小波作为小波基建立
4DB
小波去噪模型。对
PCA
稀疏变换,我们根
据图像的局部相似性,通过块匹配寻找出相似块作为训练样本,然后利用主成分
分析提取信号的重要特征,对每一块进行自适应阈值去噪,并同时实现对边缘细
节的有效保护,最后介绍利用
PCA
字典进行图像稀疏表示去噪的流程。对
SVD
的
稀疏变换,根据奇异值分解原理推导出奇异值稀疏分解算法的公式,研究并实现
K SVD
算法高效训练出一个全局性通用字典的方法步骤。
针对问题三,编程实现基于
DCT
、
DWT
、
PCA
和
SVD
算法的稀疏表示。
稀疏表示方法的一般实现步骤为图像分块处理、选择自适应完备字典、求得稀疏
表示系数、对所有块图像在有重叠的地方做平均处理最终得到去噪图像。编写
MATLAB
程序实现了对原始图像的加噪和分割处理,将分割情况以图片形式显
现,然后以第 4 行第 4 列图像小块为研究对象,分别实现了四种稀疏表示图像去
噪方法,最后采用重叠部分取中值的方法重构为整幅去噪图像。
针对问题四,提出基于
PSNR
和
SSIM
的稀疏去噪性能评价方法。我们从空
间域特性和结构化特性两个方面考虑,以
MSE
、
PSNR
、
SSIM
三个指标来综合
评价四种稀疏表示去噪方法的优劣。我们对
DCT
、
DWT
、
PCA
和
SVD
算法的
稀疏表示图像去噪方法进行评价从而得出基于
SVD
算法的稀疏表示方法要优于
其他几种方法。
针对问题五,提出基于
K SVD
和残差比的图像去噪算法,并用问题四中的
稀疏去噪性能评价方法进行评估。我们结合
DCT
、
DWT
、
PCA
和
SVD
的稀疏
表示方法的优点,采用过完备
DCT
字典作为
K SVD
算法的初始化字典
D
,用
OMP
算法对含噪图像在初始字典
D
上进行稀疏分解,将残差比作为
OMP
算法迭
代的终止条件,建立基于
K SVD
和残差比的图像去噪算法。最后用问题四中的
稀疏去噪性能评价方法进行评估,得出本文算法明显优于以上四种算法。
最后我们对稀疏去噪性能评估方法进行改进,建立
SSIM
优化方案,可以起
到更好的评价效果。
关键词:离散余弦变换(
DCT
) 离散小波分析(
DWT
) 主成分分析(
PCA
)
奇异值分解(
SVD
) 峰值信噪比(
PSNR
)
目录
1.问题重述....................................................................................................................................... 1
2.问题分析....................................................................................................................................... 1
3.模型假设....................................................................................................................................... 2
4.符号说明....................................................................................................................................... 3
5.模型的建立与求解 ..................................................................................................................... 3
5.1 模型准备 ............................................................................................................................ 3
5.1.1 加性去噪 ................................................................................................................ 3
5.1.2 稀疏表示图像去噪 ................................................................................................ 4
5.1.3 小块图像和整体图像稀疏模型 ............................................................................ 7
5.2 四类稀疏变换的图像矩阵表示 ........................................................................................ 8
5.2.1 基于离散余弦变换的矩阵表示 ............................................................................ 9
5.2.2 基于
4DB
小波变换的矩阵表示 ........................................................................ 11
5.2.3 基于主成分分析变换的矩阵表示 ...................................................................... 14
5.2.4 基于奇异值分解的矩阵表示 .............................................................................. 16
5.3 四种稀疏表示算法的分析与实现 .................................................................................. 19
5.3.1 稀疏表示方法的一般实现步骤 .......................................................................... 19
5.3.2 图像分割和加噪处理 .......................................................................................... 20
5.3.3 四种稀疏表示算法的实现 .................................................................................. 22
5.4 基于
P SN R
和
SSIM
稀疏去噪性能评价方法 ............................................................. 27
5.4.1 基于空间域特性的评价方法 .............................................................................. 27
5.4.2 基于结构特性的图像质量评价方法 .................................................................. 27
5.4.3 四种方法的稀疏去噪性能评估 .......................................................................... 29
5.5 基于
K S VD
和残差比的图像去噪算法 .................................................................... 30
5.5.1 新的稀疏去噪算法设计 ...................................................................................... 30
5.5.2 算法实现与结果分析 .......................................................................................... 31
6.模型的评价 ................................................................................................................................. 33
6.1 基于
K S VD
和残差比的图像去噪算法的优缺点 .................................................... 33
6.2 基于
P SN R
和
SSIM
的稀疏去噪性能评价方法的优缺点 ......................................... 33
7.模型的优化 ................................................................................................................................. 33
8.参考文献..................................................................................................................................... 34
附录 ................................................................................................................................................ 35
1
1.问题重述
假设一幅二维灰度图像
X
受到加性噪声的干扰:
Y X N
,
Y
为观察到的噪
声图像,
N
为噪声。通过对于图像
Y
进行稀疏表示可以达到去除噪声的目的。任
务:
(1)将加噪处理后的图像
Y
分割为相互重叠的小块
ij
Y
,分析图像去噪的稀疏表
示方法。
(2)分别讨论
ij
Y m m
四类稀疏变换的矩阵表示:离散余弦变换,离散小波
变换,主成分分析和奇异值分解。分为以下两种形式:
①
ij
m m m m m m
mm
Y U D V
;
②
1
1
ij m k k
m
YD
(将
ij
Y
堆垒为列向量的形式);
其中,下标为矩阵或者列向量的行列数。
(3)利用
Cameraman
图像中的一个小图像块分别实现基于离散余弦变换、离散
小波变换、主成分分析和奇异值分解的矩阵表示。
(4)分析稀疏系数矩阵,比较四种方法的稀疏去噪性能。
(5)提出可能的新的稀疏去噪方法。
2.问题分析
我们以标准的
Cameraman
图为研究对象,首先给原图像加上标准偏差为 10
的高斯噪声,然后将加噪图像分割为相互重叠大小为
88
的小块,以小块为研究
对象进行去噪处理,最后使用各算法将各小块重构为原始图像。
问题一主要研究图像去噪的稀疏表示方法和去噪前的图像预处理。首先我们
对加性噪声中的高斯噪声进行了介绍,了解了高斯噪声的特点。然后分析了稀疏
表示图像去噪的基本原理和方法。图像的有用信息具备一定的结构特征,而在基
于稀疏表示的图像去噪算法中,有用信息的结构特征和字典中原子结构相吻合,
而噪声则因为它的随机性而不具备此特征,所以可以很好的利用稀疏表示将噪声
与图像进行分离。稀疏表示的两个关键点是稀疏分解算法和训练字典的构造,我
们对几类常用的稀疏分解算法进行了介绍,并详细介绍了 OMP 算法的原理和实现
方法。最后我们对小块图像和整体图像稀疏模型进行了说明,详细介绍了构造小
块图像稀疏模型和重构整体图像稀疏模型的思路。
问题二分别介绍了基于
DCT
、
DWT
、
PCA
和
SVD
算法的稀疏变换的图像
矩阵表示。
对基于
DCT
的稀疏变换,我们首先分析一维离散余弦变换的正逆离散余弦
变换公式,对一维变换公式进行按行、列推导,得出二维正逆离散余弦变换公式,
然后分析了运用离散余弦变换对图像进行稀疏表示的方法,最后介绍了
DCT
字
2
典的构造方法。
对基于 DWT 的稀疏变换,首先分析离散小波变换和
DBn
小波的运行机制,
然后以
4DB
小波作为小波基提出
DWT
小波去噪算法,具体介绍了连续小波函数
的离散化、小波系数的阈值计算和小波系数阈值化,最后对小波字典的构造进行
推导。
对基于
PCA
的稀疏变换,我们根据图像的局部相似性,通过块匹配寻找出
相似块作为训练样本,然后利用主成分分析提取信号的重要特征,对每一块进行
自适应阈值去噪,使含有细节内容丰富的子块的阈值小一些,含有细节内容较少
的子块的阈值大一些,在去除噪声的同时实现对边缘细节的有效保护,最后介绍
利用
PCA
字典进行图像稀疏表示去噪的流程。
对基于
SVD
的稀疏变换,首先我们根据奇异值分解原理推导出奇异值稀疏
分解算法的公式
1
r
TT
i i i
i
A USV u v
,然后介绍
K SVD
算法如何高效地训练出
一个全局性通用字典,并对
K SVD
算法的实现进行详细介绍。
问题三实现了基于
DCT
、
DWT
、
PCA
和
SVD
算法的稀疏表示。稀疏表示
方法的一般实现步骤为图像分块处理、选择自适应完备字典、求得稀疏表示系数、
对所有块图像在有重叠的地方做平均处理最终得到去噪图像。编写
MATLAB
程
序实现了对原始图像的加噪和分割处理,将分割情况以图片形式显现,然后以第
4 行第 4 列的图像小块为研究对象,分别实现四种稀疏表示方法进行图像去噪处
理,然后重构为整幅去噪图像。
问题四提出基于
PSNR
和
SSIM
的稀疏去噪性能评价方法。我们从空间域特
性和结构化特性两个方面考虑,以
MSE
、
PSNR
、
SSIM
三个指标来综合评价四
种稀疏表示去噪方法的优劣。我们利用评价方法对基于
DCT
、
DWT
、
PCA
和
SVD
算法的稀疏表示图像去噪方法进行评价。
问题五提出基于
K SVD
和残差比的图像去噪算法,并用问题四中的稀疏去
噪性能评价方法进行评估。我们结合
DCT
、
DWT
、
PCA
和
SVD
算法的稀疏表
示方法的优点,采用过完备
DCT
字典作为
K SVD
算法的初始化字典
D
,用算
法
OMP
算法对含噪图像在初始字典
D
上进行稀疏分解,将残差比作为
OMP
算法
迭代的终止条件,建立了基于
K SVD
和残差比的图像去噪算法。最后用问题四
中的稀疏去噪性能评价方法进行评估。。
3.模型假设
(1)假设该文中二维灰度图像
X
只受到加性噪声的干扰。
(2)假设受到的加性噪声的干扰为高斯噪声,其标准偏差为 10.
(3)假设在稀疏表示过程中产生的误差不会引起后续操作的太大反应。
(4)假设在图片读取或存储时无像素点的丢失。
3
4.符号说明
符号
符号说明
,g x y
加入噪声后的图像函数
,f x y
未被噪声污染的图像函数
,n x y
噪声函数
0
Ix
没被噪音污染的灰度值
Ix
有噪音污染的灰度值
vx
噪声的灰度值
k
信号稀疏系数
注:表中没有列出的符号文中使用时会给予说明。
5.模型的建立与求解
5.1 模型准备
5.1.1 加性去噪
我们在获取图像的信息时,避无可避的都会出现各种外因或内因的干扰,致
使图像夹杂着许多噪声,使获取的信息不完整甚至是错误的,所谓噪声,通俗意义
上说就是对我们没用的信息,在图像处理过程中,必须有效的抑制噪声,提高图像
质量和视觉效果。
根据噪声是否与图像相关可分为加性噪声和乘性噪声两类,加性噪声是和图
像信号独立、不相关的噪声,乘性噪声又叫卷积噪声,是和图像信号是相关的噪
声,其存在情况以及强度大小情况均依赖于图像信号。根据噪声的概率分布可分
为高斯噪声、椒盐噪声、瑞利噪声、伽马(爱尔兰)噪声等。
题目中假设一幅二维灰度图像
X
受到加性噪声的干扰,所以我们着重介绍
加性噪声中的高斯噪声。
加性噪声是和图像信号独立、不相关的噪声,如开关接触噪声、传输过程
中的信道噪声、电子元器件内部产生的热噪声和散粒噪声等,其模型如下:
, , ,g x y f x y n x y
(1)
式中,
,g x y
为 掺 杂 了 噪 声 后 的 图 像 ,
,f x y
为 未 被 噪 声 污 染 的 图
剩余52页未读,继续阅读
生活教会我们
- 粉丝: 27
- 资源: 316
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0