基于冗余字典的图像稀疏表示研究.pdf

《基于冗余字典的图像稀疏表示研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、代号10701学号0812420994分类号TP751密级公开题（中、英文）目基于冗余字典的图像稀疏表示研究ResearchesonImageSparseRepresentationsBasedonRedundantDictionary作者姓名缪广栋指导教师姓名、职称张小华副教授学科门类工学学科、专业模式识别与智能系统提交论文日期二○一一年六月西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注

2、和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业离校后，发表论文或使用论文工作成果时署名单位仍然为西安电子科

3、技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后遵守此规定）本人授权西安电子科技大学图书馆保存学位论文，并同意将论文在互联网上发布。本人签名：日期导师签名：日期摘要I摘要近几年来，稀疏表示的研究进入一个全新发展的时期，稀疏表示应用到图像处理的各个领域，如人脸识别、图像去噪、图像分割、图像压缩等。通过样本学习获得字典，任意信号均可以用少量原子的线性组合来表示。得到的稀疏的系数向量，就可以几乎精确的重建原信号。本文基于冗

4、余字典能捕捉原始信号的鲁棒特征的优势，研究其在图像去噪中应用。本文主要的研究内容如下：(1)研究基于冗余字典的图像分块稀疏表示的去噪算法。首先对图像进行分块，借助贝叶斯重构思想，获取图像块的鲁棒近似稀疏表示，然后通过稀疏表示系数得到无噪图像的近似表示。(2)研究基于字典学习的自适应图像稀疏表示去噪方法。首先借鉴K-SVD算法，初始化过完备字典，通过噪声图像块训练字典，然后应用学习得到的字典对噪声图像进行稀释表示并去噪。训练后的字典能更有效的表示图像内容，去噪效果更明显。通过自然图像的去噪实验验证算法的有效性。实验结果表明该方

5、法对在图像去噪方面有着很好的效果。(3)应用一种新的字典构造思想，采用类似压缩感知的结构自适应稀疏表示图像，并参照K-SVD方法更新字典原子获得新字典。在此字典下得到系数能更有效的稀疏表示信号。最后将该方法用于CT图像的去噪问题。实验结果表明，基于此种字典的稀疏表示算法，在处理大字典和高维数据方面具有一定的优势。本论文工作得到了国家自然科学基金(No.60703109)和博士点基金(No.20070701016)资助。关键词：冗余字典稀疏表示图像去噪字典学习稀疏字典AbstractIIIAbstractInrecentyea

6、rs,researchesonsparserepresentationhavecomeintoanewperiodofdevelopment.Sparserepresentationhasbeenusedinvariantfieldsofimageprocessing,suchasfacerecognition,imagedenoising,imagesegmentation,imagecompressionandsoon.Byusingthedictionaryfromsamplelearning,eachsignalco

7、uldberepresentedbyjustafewatomswithlinearcombination.Theobtainedsparsecoefficientvectoralmostentirelycouldreconstructtheoriginalsignal.Thisdissertationfocusesonredundantdictionarywhichcancapturerobustnessoftheoriginalsignalandresearchonimagedenoising.Themainworksco

8、uldbesummarizedasfollows:(1)Investigateadenoisingalgorithmthatimagedenoisingviaslidingwindowsparserepresentationbasedonredundantdictionary.Firstl