杨爱萍,田玉针,何宇清,董翠翠

(天津大学电子信息工程学院,天津300072)

基于改进K-SVD和非局部正则化的图像去噪

杨爱萍,田玉针,何宇清,董翠翠

(天津大学电子信息工程学院,天津300072)

K-奇异值分解(K-SVD)算法在强噪声下的去噪性能较差。为此,提出一种新的图像去噪算法。使用相关系数匹配准则和噪声原子裁剪方法改进传统K-SVD算法,提高原算法的去噪性能,将非局部正则项融入图像去噪模型,并采用非局部自相似性进一步改善图像的去噪效果。实验结果表明,与传统K-SVD算法相比,该算法在提高同质区域平滑性的同时,能保留更多的纹理、边缘等细节特征。

图像去噪;稀疏表示;奇异值分解;正交匹配追踪算法;字典优化;非局部自相似性

1 概述

基于稀疏表示的图像去噪成为近年来该领域的前沿研究课题。其主要利用过完备字典［1-3］的冗余性对图像进行稀疏表示,能够有效地捕捉图像的结构特征,在去除噪声的同时更好地保持图像信息。其中,文献［4］提出K-奇异值分解(K-Singular Value Decomposition,K-SVD)原子库训练和稀疏表示方法,在去除轻度图像噪声方面表现出较好的去噪性能。但在噪声污染较严重的情况下,其图像恢复效果并不理想,当用带噪图像本身作为训练样本时,面临信号特征提取和噪声抑制之间的矛盾,得到的字典中往往含有大量噪声原子。

另一方面,基于字典学习的K-SVD去噪算法,只是利用待处理图像块内部的信息进行独立稀疏编码,没有充分考虑与其他样本图像的相关信息,如块与块之间的重叠性、相似性等,对先验信息的表达能力不足。……