一种改进的基于K-SVD字典的图像去噪算法

为了更好地实现图像的去噪效果,提出了一种改进的基于K-SVD（Singular Value Decomposition）字典学习的图像去噪算法。首先,将输入的含噪信号进行K均值聚类分解,将得到的图像块进行稀疏贝叶斯学习和噪声的更新,当迭代到一定次数时继续使用正交匹配追踪（Orthogonal Matching Pursuit,OMP）算法对图像块进行稀疏编码,然后在完成稀疏编码的基础上通过奇异值分解来逐列更新字典,反复迭代至得到过完备字典以实现稀疏表示,最后对处理过的图像进行重构,得到去噪后的图像。实验结果表明,本文的改进算法相对于传统的K-SVD字典的图像去噪能够在保留图像边缘和细节信息的同时,更有效地去除图像中的噪声,具有更好的视觉效果。     

基于K-SVD字典稀疏分解的实木地板去噪方法

针对实木地板的图像获取过程中,所产生的噪声问题,引入了K-SVD字典的学习算法,提出了一种图像的有用信息稀疏分解去噪的方法,目的是有效的保留实木地板的有用纹理信息,并抑制其中掺杂的噪声。通过对图像稀疏分解后得到的值,来进行图像重构,就可以达到图像的去噪目的。首先,构造一个初始化的DCT字典,对图像分块处理;接着,在这个初始化字典的基础之上,进行纹理信息的稀疏分解,同时,对它们之间的残差值进行奇异值分解,更新字典;最后,利用得出的最优化字典,采用正交匹配重构算法,完成去噪图像的重建。实验表明,该算法得出的图像主观效果好,减少了去噪后的模糊程度及保留更多细节信息,在不同程度的噪声下,PSNR较高。     

基于局部约束的人脸图像超分辨率重构算法

基于超完备稀疏表示理论,并根据人脸图像的特征,提出一种基于局部约束的人脸图像超分辨率重构算法。该算法首先通过样本训练出一对高、低分辨率相关联的冗余字典;再根据局部范围内人脸图像的相关性,重构出高分辨率图像;最后对图像进行全局优化。为验证算法的有效性,本文利用ORL标准图像库进行了对比实验,实验结果表明,该算法能够有效提高峰值信噪比,同时能够更好地恢复人脸图像的高频信息,有一定的实用价值。     

On the uniqueness of overcomplete dictionaries, and a practical way to retrieve them

A full-rank under-determined linear system of equations Ax = b has in general infinitely many possible solutions. In recent years there is a growing interest in the sparsest solution of this equation—the one with the fewest non-zero entries, measured by ∥x∥₀. Such solutions find applications in signal and image processing, where the topic is typically referred to as “sparse representation”. Considering the columns of A as atoms of a dictionary, it is assumed that a given signal b is a linear composition of few such atoms. Recent work established that if the desired solution x is sparse enough, uniqueness of such a result is guaranteed. Also, pursuit algorithms, approximation solvers for the above problem, are guaranteed to succeed in finding this solution.Armed with these recent results, the problem can be reversed, and formed as an implied matrix factorization problem: Given a set of vectors {b_i}, known to emerge from such sparse constructions, Ax_i = b_i, with sufficiently sparse representations x_i, we seek the matrix A. In this paper we present both theoretical and algorithmic studies of this problem. We establish the uniqueness of the dictionary A, depending on the quantity and nature of the set {b_i}, and the sparsity of {x_i}. We also describe a recently developed algorithm, the K-SVD, that practically find the matrix A, in a manner similar to the K-Means algorithm. Finally, we demonstrate this algorithm on several stylized applications in image processing.     

K-SVD和OMP算法在超声信号去噪中的应用

针对在线采集时超声波检测信号中存在大量噪声,降低了材料内部缺陷诊断准确性的问题,提出了一种基于广义K+奇异值分解算法(K-SVD)和正交匹配追踪算法(OMP)相结合的超声回波信号去噪算法。该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典,然后基于训练完成的超完备字典,用OMP算法把一定数量的字典原子进行线性组合来构成原始信号,从而实现信号的去噪。通过仿真实验将本文方法与传统的小波阈值去噪方法进行了对比研究。实验结果表明,该方法对超声回波信号的去噪效果优于小波阈值去噪方法,且噪声越大对比越明显,不仅可更有效地滤除信号中的高斯白噪声,提高信噪比,且尽可能保留了原始信号有用信息。     

基于自适应逼近残差的稀疏表示语音降噪方法

该文提出一种基于自适应逼近残差的稀疏表示语音降噪方法。在字典学习阶段基于K奇异值分解(K-Singular Value Decomposition, K-SVD)算法获得干净语音谱的过完备字典,在稀疏表示阶段基于权重因子调整后的噪声谱和估计的交叉项对逼近残差持续自适应地更新,并采用正交匹配追踪(Orthogonal Matching Pursuit, OMP)方法对干净语音谱进行稀疏重构。最后结合估计的干净语音谱与带噪语音相位,通过傅里叶逆变换获得重构的干净语音。实验结果表明所提方法在不同噪声和信噪比条件下相比标准的谱减法,稀疏表示语音降噪算法和基于自回归隐马尔可夫模型的降噪方法有更好的降噪效果。     

基于多尺度特征表示的城市道路检测

基于图像的车辆周边场景分析是近来车辆主动安全的热门研究方向,但对于复杂路况的道路识别目前依然是一个难题。该文提出一种适用于城市复杂道路场景的单目视觉路面识别算法。该方法结合多尺度的稀疏编码,在大尺度上利用道路的局部纹理信息,在较小尺度,特别是中等尺度上利用空间上下文信息,对车辆的可行驶区域进行识别。实验表明,该方法提高了道路与周边环境中相似纹理的区分能力;在铺设良好的结构化道路,或者车道线、路界缺失,光照复杂的道路场景中,该方法都取得了较好的检测结果。     

基于字典学习方法的CT不完全投影图像重建算法

对于不完全投影角度的重建研究是CT图像重建中一个重要的问题.将压缩感知中字典学习的方法与CT重建算法ART迭代算法相结合.字典学习方法中字典更新采用K-SVD(K-奇异值分解)算法,稀疏编码采用OMP(正交匹配追踪)算法.最后通过对标准Head头部模型进行仿真实验,验证了字典学习方法在CT图像重建中对于提高图像的重建质量和提高信噪比的可行性与有效性.另外还研究了字典学习中图像块大小和滑动距离对重建图像的影响     

基于压缩感知的欠定图像盲源分离研究

系统阐述了利用稀疏成分分析(Sparse Component Analysis,SCA)算法进行欠定图像盲源分离。首先在估计出源图像个数的基础上,利用线性聚类估计混合矩阵;其次将压缩感知(Compressed Sensing,CS)应用到恢复源图像中。为了得到自适应的过完备稀疏字典来提高分离效果,提出了利用K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)算法对过完备DCT字典循环迭代训练的思想,并对图像分块处理来减少计算复杂度;最后进行了仿真测试并对分离出的图像进行了分析和进一步处理。     

基于K-SVD和残差比的低信噪比图像稀疏表示去噪算法

针对低信噪比图像去噪问题,提出了一种基于K-SVD(Singular Value Decomposition)和残差比(Residual Ratio Iteration Termination)的正交匹配追踪(Orthogonal Matching Pursuit,OMP)图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换(Discrete cosine transform,DCT)框架产生的冗余字典训练成能够有效反映图像结构特征的超完备字典,以实现图像的有效表示。然后以残差比作为OMP算法迭代的终止条件来实现图像的去噪。实验表明,该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪,以及基于DCT冗余字典的稀疏表示图像去噪,能够更加有效地滤除低信噪比图像中的高斯白噪声,保留原图像的有用信息。