科研之友
微信
新浪微博
Facebook
分享链接
摘要
经典的K-奇异值分解(K-SVD)算法通过字典对图像进行稀疏表示,在去噪的同时保持了原图像的有效信息。但是在基于噪声图像字典学习所得到的学习字典中通常含有大量的噪声信息,这也使得恢复出的图像仍然含有许多噪声,特别是在强噪声下,该算法性能表现较差。鉴于K-SVD算法的局限性,提出了一种新的基于字典更新和字典原子优化的图像去噪算法。首先利用一种加权的顺序字典学习(SDL)方法替代K-SVD算法,在字典更新阶段添加稀疏约束,这样能够得到更为稀疏的表示图像的字典;然后自适应地根据图像的结构复杂度和噪声强度进行字典原子检测并删除噪声原子;最后利用优化后的字典重构图像。实验结果表明,该算法与经典K-SVD、SDL等去噪算法相比,能够取得更好的去噪效果。
- 单位
