基干字典训练与高频增强图像降噪研究.doc

基于字典训练和高频增强的图像降噪研究 　　摘 要： 噪声图像，特别是含有高密度噪声图像在经过去噪后，图像细节（图像高频）丢失较多。针对这一问题，提出一种基于字典学习和高频增强的方法。该算法首先让噪声图像经过降噪算法处理，然后由样本图像依次模拟加噪和去噪过程得到去噪样本图像，样本图像和去噪样本图像相减得到样本差分图像，最后分别训练样本差分图像和去噪样本图像，得到一对高、低分辨率字典，用于重建图像去噪后所缺失的高频。实验结果表明，所提算法在主观的人眼视觉和客观评价上要优于经典的图像降噪算法 关键词： 图像降噪； 字典训练； 稀疏表示； K?SVD算法 中图分类号： TN911.73?34； TP393 文献标识码： A 文章编号： 1004?373X（2016）20?0159?04 Abstract： The noise image， especially for the image with high?density noise， could lose its many details after denoising. In order to solve this problem， a method based on dictionary learning and high?frequency enhancement is proposed in this paper. In this method， the noise image is denoised at first； the adding noise and denoising processes are simulated respectively with the sample image to obtain the denoising sample image， and then the sample image is subtracted from the denoising sample image to get the sample difference image； the sample difference image and the denoising sample image are trained respectively to get a pair of high and low resolution dictionaries， which will be used for rebuilding the high frequency lost when the image is denoised. The simulation results of the experiments show that the proposed method is superior to the BM3D method in the subjective human vision and objective evaluation. Keywords： image denoising； dictionary training； sparse representation； K?SVD algorithm 0 引 言 图像从形成、传播到最终显示的过程中容易受到各种干扰，影响图像质量，比如在传输过程可能受到高斯白噪声的影响、图像在初始成像时容易受到椒盐噪声的干扰等。因此，为了提高图像质量，还需对图像进行降噪处理 Donoho等人利用小波变换的方法[1?2]，将图像数据转换到小波域，由于噪声往往处于高频，因此小波域中的噪声系数较小，所以可以通过设置阈值的方法将噪声的小波系数置零去噪，小波图像降噪取得了较好的效果。Buades提出了具有重要意义的非局部均值去噪方法[3?4]，该方法先是寻找图像中的相似的图像块，然后对这些相似的图像块进行平均化处理，以达到去除噪声的目的。由于该方法良好的降噪性能，之后出现了许多改进的方法，文献[5]提出了采用相关系数衡量图像块的相似度，增加了图像块之间的相似性，去噪效果比非局部均值去噪方法有所提高。文献[6]则是采用多尺度匹配的方法来描述图像块的相似度，增强了算法在复杂结构图像寻找相似图像块的能力，因而提升了降噪性能 Dabov等人根据非局部均值算法中相似图像块的思想[7?8]，提出了基于块匹配的三维协同滤波降噪算法（Block?Matching and 3D filtering，BM3D）。该算法的第一步是根据图像中的一个参考图像块寻找相似的图像块，之后将这些相似图像块组成三维矩阵，变换到小波域进行阈值处理，还原后的图像作为基础估计；第二步也是类似操作，不过组成的三维矩阵进行维纳滤波处理，还原后的图像