專利名稱：基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體來說是一種基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法，可用于數(shù)字圖像處理等圖像分析。
背景技術(shù)：
現(xiàn)實(shí)中的數(shù)字圖像在數(shù)字化和傳輸過程中由于常受到成像設(shè)備與外部環(huán)境噪聲干擾等影響，大大降低了圖像的質(zhì)量，對圖像的解譯造成很大困難。因此，在圖像處理中，圖像噪聲抑制成為關(guān)鍵，也是后續(xù)圖像特征提取、分割、識別等工作的基礎(chǔ)。噪聲抑制技術(shù)的目標(biāo)就是在有效去除噪聲的同時如何保持紋理、邊緣等細(xì)節(jié)信息。故一個“好”的圖像噪聲抑制方法要做到以下三點(diǎn)(1)有效去除均勻場景中的噪聲；(2)保留圖像中邊緣和紋理特征；C3)不產(chǎn)生偽吉布斯效應(yīng)。傳統(tǒng)的圖像噪聲抑制方法有空域?yàn)V波技術(shù)和變換域?yàn)V波技術(shù)。其中空域?yàn)V波技術(shù)主要包括均值濾波、中值濾波、Lee濾波等，這些方法雖然比較簡單，且易于實(shí)現(xiàn)，但是會造成圖像邊緣和線性目標(biāo)的模糊。變換域?yàn)V波技術(shù)主要包括小波變換、平穩(wěn)小波變換、 Bandelet變換、Curvelet變換和非下采樣Contourlet變換等。這些變換域?yàn)V波方法相比經(jīng)典空域?yàn)V波方法來說，圖像的邊緣及線性目標(biāo)的保持能力有了很大提高，但大都對變換域的系數(shù)做某種統(tǒng)計假設(shè)，這些假設(shè)是經(jīng)驗(yàn)性的，無理論依據(jù)。而且噪聲和圖像邊緣具有相似的頻率特性，即都是高頻信號，因此抑斑后的圖像在均勻區(qū)域和邊緣附近常會出現(xiàn)偽吉布斯效應(yīng)。目前，一種新興的“字典訓(xùn)練法”在圖像處理中得到了廣泛的研究和應(yīng)用，其核心是字典的訓(xùn)練過程，稱為K-SVD算法。此算法首先是由Aharon、Elad等人提出的。研究表明K-SVD方法不僅可以有效的抑制加性高斯白噪聲，而且可以較好的保留邊緣和紋理等重要信息，尤其是對紋理圖像處理的結(jié)果更好。最重要的是此方法是一種主動學(xué)習(xí)過程，具有很好的適應(yīng)性。在K-SVD算法中用到了正交匹配追蹤OMP算法和奇異值分解算法，而當(dāng)圖像較大時，OMP算法中的矩陣求逆運(yùn)算的效率就會變得非常低，另外此時奇異值分解不僅耗時而且占用內(nèi)存較大，常導(dǎo)致“超出內(nèi)存”問題。為此Michael Elad等學(xué)者在“Efficient Implementation of the K-SVD Algorithmusing Batch Orthogonal Matching Pursuit，， 中，提出了基于chelesky分解的正交匹配追蹤OMP算法和近似奇異值分解，分別用于提高 K-SVD算法的運(yùn)行效率和解決“超出內(nèi)存”問題，雖然K-SVD算法的運(yùn)算效率得到了一定的提高，但是仍不適用于大圖像處理。
發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有的K-SVD圖像噪聲抑制技術(shù)的不足，提出了一種基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法，以有效的提高K-SVD算法的運(yùn)行效率和解決“超出內(nèi)存”問題，更好的實(shí)現(xiàn)對大小為512X512像素的大圖像噪聲抑制。為實(shí)現(xiàn)上述目的，本發(fā)明的噪聲抑制方法，包括如下步驟(1)對大小為
權(quán)利要求
1.一種基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法，包括如下步驟(1)對大小為的圖像I進(jìn)行重疊塊提取，并將其向量化，得到重疊塊向量集合 F = kG，其中N是圖像1中所有的像素個數(shù)，L是一個重疊塊向量，M是重疊塊向量的個數(shù)；(2)對重疊塊向量集合Y進(jìn)行隨機(jī)選取，得到訓(xùn)練樣本集合Γ= [y/j ι，其中y' i是一個訓(xùn)練樣本，M'是訓(xùn)練樣本數(shù)目，且滿足0< M' SM的正整數(shù)；(3)令基礎(chǔ)字典A為全局訓(xùn)練字典，初始化稀疏字典S°為單位矩陣，用訓(xùn)練樣本集合
2.根據(jù)權(quán)利要求1所述的基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法，其中步驟(3. 2)所述的基于chelesky分解的正交匹配追蹤OMP稀疏編碼，按如下步驟進(jìn)行(3. 2a)令初始下標(biāo)集合1°= 0，初始chelesky分解因子廣=[1]，初始?xì)埐顁° = y' i，初始訓(xùn)練樣本稀疏表示系數(shù)Yi = 0，訓(xùn)練樣本y' i的估計α初始化為
3.根據(jù)權(quán)利要求1所述的基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法，其中步驟(3.3)中所述的采用近似奇異值分解對訓(xùn)練過程中的稀疏字典S的第k 列A進(jìn)行更新，得到更新后的稀疏字典S'和更新后的訓(xùn)練樣本稀疏編碼系數(shù)Y “ i，按如下步驟進(jìn)行(3.3a)令訓(xùn)練樣本下標(biāo)集合I" = {t |y' teY'，且y' 1用％進(jìn)行稀疏表示}，令訓(xùn)練過程中的稀疏字典S的第1^列s = 0，其中y' t是第t個訓(xùn)練樣本，y' t e Y'是指訓(xùn)練樣本y' t屬于訓(xùn)練樣本集合Y'；(3. 3b)利用步驟(3. 2)中的訓(xùn)練樣本稀疏編碼系數(shù)Y ‘ i和步驟(3. 3a)中的訓(xùn)練樣本下標(biāo)集合I"得到列向量g= Y' 1;,1 ，并將之歸一化8 = 8/|^||，其中￥' u 是步驟(3. 2)中的訓(xùn)練樣本稀疏編碼系數(shù)Y ‘ i的子集；(3.3c)將步驟(3.3b)中求得的向量g代入殘差公式ζ =Y' J^g-A-S-Y' ^ · g 中，得到殘差z，其中Y'工》是訓(xùn)練樣本Y'的子集，A是基礎(chǔ)字典，S是訓(xùn)練過程中的稀疏字典，Y ‘工"是與下表集合I"相關(guān)的訓(xùn)練樣本稀疏編碼系數(shù)；(3. 3d)對步驟(3. 3c)中得到的殘差ζ進(jìn)行基于chelesky分解的OMP稀疏編碼，得到殘差的稀疏編碼系數(shù)a，并將其規(guī)則化為a = a/| |A · a| |2 ；(3. 3e)將步驟(3.3d)中求得的殘差的稀疏編碼系數(shù)a代入稀疏字典列更新公式s' k =a中，得到更新后的稀疏字典列s' k，并將訓(xùn)練過程中的稀疏字典S的第k列更新為 s' k，得到更新后的稀疏字典S'；(3. 3f)將步驟(3.3e)中求得的更新后稀疏字典S'代入訓(xùn)練樣本稀疏編碼更新公
4.根據(jù)權(quán)利要求1所述的基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法，其中步驟( 所述的根據(jù)冗余稀疏表示圖像噪聲抑制理論，得到相干斑抑制后圖像/，按如下步驟進(jìn)行(5a)利用最終的訓(xùn)練字典力對所有的重疊塊向量集合^ [[^；！二進(jìn)行基于chelesky分解的OMP稀疏編碼，得到重疊塊向量集合Y的稀疏編碼系數(shù)矩陣 ；(5b)將步驟(Sa)中得到的重疊塊向量集合Y的稀疏編碼系數(shù)矩陣 代入重疊塊向量集合Y的估計式f =力 中，得到重疊塊向量集合Y的估計7 ；(5c)按照如下公式對重疊塊向量集合Y的估計}>進(jìn)行加權(quán)平均，獲得圖像噪聲抑制后圖像/
全文摘要
本發(fā)明公開了一種基于chelesky分解和近似奇異值分解的稀疏K-SVD噪聲抑制方法，主要解決K-SVD中存在的效率低和“超出內(nèi)存”問題。其實(shí)現(xiàn)過程是輸入含噪圖像，對此圖像進(jìn)行重疊塊提取，得到重疊塊集合；對重疊塊集合進(jìn)行隨機(jī)抽樣，得到訓(xùn)練樣本；對訓(xùn)練樣本進(jìn)行基于chelesky分解和近似奇異值分解的稀疏K-SVD字典訓(xùn)練，得到最終的稀疏字典；根據(jù)最終的稀疏字典得到最終的訓(xùn)練字典；在最終的訓(xùn)練字典下對重疊塊集合進(jìn)行基于chelesky分解的OMP稀疏編碼，得到稀疏編碼系數(shù)；根據(jù)冗余稀疏表示圖像噪聲抑制理論，利用最終的訓(xùn)練字典和稀疏編碼系數(shù)，得到去噪后圖像。本發(fā)明能夠有效的提高執(zhí)行效率和解決“超出內(nèi)存”問題，可用于數(shù)字圖像處理等領(lǐng)域。
文檔編號G06T5/00GK102496143SQ20111035867
公開日2012年6月13日 申請日期2011年11月14日 優(yōu)先權(quán)日2011年11月14日
發(fā)明者侯彪, 公茂果, 劉芳, 孫慧芳, 張小華, 焦李成, 田小林 申請人:西安電子科技大學(xué)