APP下载

基于正则化模型的K—SVD算法及其应用

2018-10-29刘坚桥唐加山

软件导刊 2018年8期

刘坚桥 唐加山

摘要:提出一种基于正则化方法的K均值奇异值分解(K-SVD)算法。新算法在更新字典阶段,建立一种正则化模型,针对经典K-SVD算法中每次原子更新,引入正则项参与字典更新过程,将每次更新原子所产生的误差限制在设定范围内完成原子更新。在K-SVD算法正则化模型基础上,对K-SVD的衍生算法近似K-SVD(Approximate K-SVD)进行了研究,提出了适用于AK-SVD的正则化模型。实验结果表明,新模型训练字典的误差相较于传统算法缩小了13.8%。将训练字典用于图像去噪时发现,新模型下字典重构出图像的峰值信噪比(PSNR)比传统算法提升0.5dB左右。

关键词:K-SVD;正则化方法;字典学习;稀疏表示;图像去噪

DOIDOI:10.11907/rjdk.173177

中图分类号:TP312

文献标识码:A 文章编号:1672-7800(2018)008-0114-04

英文摘要Abstract:A method of K Singular Value Decomposition (K-SVD) based on regularized model is proposed.The regularized term is introduced into the algorithm at the stage of updating atoms,which limits the training error to optimal level.Furthermore,some other algorithms improved from K-SVD can also be combined with the regularized model to promote their performance.The new model is implemented in signal reconstruction and image denoising in experiments.Simulation results show that compared with the traditional K-SVD,the RMSE of new method decrease by about 13.8% in signal set reconstruction,and the Peak Signal to Noise Ratio (PSNR) increase about 0.5dB in image denoising.

英文关键词Key Words:K-SVD; regularization method; dictionary learning; sparse representation;image denoising

收稿日期收稿日期:2017-12-11

基金项目基金项目:

作者简介作者简介:刘坚桥(1993-),男,南京邮电大学通信与信息工程學院硕士研究生,研究方向为信号处理、压缩感知;唐加山(1968-),男,博士,南京邮电大学理学院教授,研究方向为应用概率统计、现代通信中的智能信号处理技术、信道辨识与均衡、复杂网络。

0 引言

在稀疏表示领域,基于超完备冗余字典的信号稀疏分解[1]理论应用较多,而字典学习算法优化了冗余字典结构,使得构造出的字典能更好地适应模型,极大提高了冗余字典的灵活性与实用性。

K-SVD字典学习算法是字典学习的经典算法之一,由Aharon等[2]于2006年提出,在压缩感知[3]、稀疏分解等领域得到广泛应用。与其它字典学习算法如MOD[4]等不同,K-SVD算法在更新字典时,对字典原子逐列进行更新而非直接更新整个字典。……

登录APP查看全文