论文研究-基于块分类和字典优化的K-SVD图像去噪研究.pdf

基于K-奇异值分解（K-SVD）的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪，能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑；此外，K-SVD算法训练得到的字典中往往含有噪声原子，从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性，提出一种新的去噪方法：基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典，能够更为稀疏地表示图像；然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子，并对噪声原子进行替换，减弱噪声原子对去噪性能的影响，得到优化字典；利用优化字典对图像进行稀疏表示去噪。仿真实验表明，与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比，新方法能够取得更好的去噪结果。