基于收缩函数学习的纹理图像去噪算法

《基于收缩函数学习的纹理图像去噪算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据目录目录摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．IAbstract⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯I工目录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．III第一章引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．1第一节研究背景⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．1．1图像去噪问题建模⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯l1．1．2图像质量评价方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯31．1．3图像去噪的意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．6第二节本文内容及结构安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯7第二章相关研究工作⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．9第一节去

2、噪算法概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯92．1．1空间域滤波和变换域滤波⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯92．1．2基于非局部策略的去噪算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯10第二节稀疏表示理论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．113．1．1基本思想⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．123．1．2优化算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．13第三节BM3D去噪算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．15第四节本文的不同之处⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯18第三章切片变换⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．2l第一节基本原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯

3、⋯23第二节利用替换性描述收缩函数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．24IIl万方数据目录第四章基于收缩函数学习的去噪算法⋯⋯⋯⋯⋯⋯⋯．．27第一节图像的三维表达模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．304．1．1块匹配与分组⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯304．1．2算法优化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．334．1．3参数选择⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．34第二节收缩函数的学习与应用⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯364．2．1多频带映射⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．364．2．2收缩函数的学习⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．

4、374．2．3系数收缩与参数选择⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯40第三节聚合重建⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯424．3．1基本思路⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．424．3．2算法优化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯⋯⋯44第四节性能分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯44第五章实验验证⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．46第一节MEX混合编程技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．46第二节实验配置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯47第三节收缩函数映射模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．49第四节与其他优秀去噪算法的比较⋯⋯⋯⋯⋯⋯⋯⋯

5、⋯⋯．．575．3．1去噪结果展示⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯575．3．2去噪细节放大展示⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．675．3．3相关讨论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．69第六章总结与展望⋯．．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．73参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．74致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯77个人简历、在学期间发表的学术论文及研究成果⋯⋯⋯⋯．．78IV万方数据第一章引言第一章引言所有的信号记录设备，无论是模拟信号还是数字信号，都会在信号的采集、生成或者传输中受到设备本身与外部环境的噪声干扰。在

6、信息化高度发展的今天，数字处理设备越来越多得被应用在人们日常生活中。比如通过传统的CCD(Charge．coupledDevice)或者CMOS图像传感器获取数字图像信号时，光照程度和传感器温度就是影响掺入图像信号中噪声强度的主要因素。这些干扰是人们不需要的一部分信号，它们对真实数据造成误差。当一定强度的噪声混入图像信号中时，我们人眼会觉察到噪声像素与周围的图案很不和谐，使图像显得不够清楚。为了使噪声图像能够尽量接近原始信号，所以有必要研究高效的去噪算法。第一节研究背景图像去噪是图像复原的基本任务之一。它的主要目标是最大程度保留

7、原有图像信息，去除混杂的各种噪声，提高图像清晰度，改善图像视觉质量。数字图像理论知识和前人的工作成果是设计先进的去噪算法的理论基础，本节将系统介绍有助于理解图像去噪算法的背景知识。1．1．1图像去噪问题建模根据图像噪声与图像本身信号之间的数学关系，可将噪声分为加性噪声和乘性噪声。加性噪声是指与信号本身没有任何强度关系的噪声，比如传输信道中经常使用的放大器产生的噪声。如果G(x，y)代表没有噪声的理想图像，N(x，Y)为噪声信号，那么噪声图像即为混合叠加信号：Z(x，Y)=G(x，Y)+N(x，Y)。而乘性噪声是指随着信号的变动而

8、会产生相应强度变化的噪声，往往由于传输信道不理想而造成，例如电视扫描光栅、胶片颗粒的信号。乘性噪声图像Z(x，Y)可以表示为：Z(x，Y)=G(x，Y)·[1+N(x，y)】。噪声在理论上可以被定义为“不可预测的只能用概率密度统计方法来认识的随机误差”，因此常常