[发明专利]一种基于双字典学习的非局部稀疏表示图像去噪方法

说明书

本发明一种基于双字典学习的非局部稀疏表示图像去噪方法改进了Dong非局部稀疏表示模型中所用到传统的Kmeans聚类方法，具体利用聚类中心字典学习方法分析与挖掘各相似类间的相关性，并将这一相关性引入传统的Kmeans聚类方法，以提高聚类的准确性，从而达到增强稀疏表示模型性能的目的。本发明包括：对待去噪图像，利用kmeans聚类方法，产生各类；计算各类中心图片；利用聚类中心字典学习方法，得到各聚类中心的稀疏表示，继而重建各聚类中心图像块；更新传统Kmeans结果中的聚类中心；循环，直至满足结束条件；构建各类对应的紧致PCA字典；构造类内图像片稀疏编码误差项；利用迭代收敛算法求解。

技术领域

本发明属于遥感卫星图像处理技术领域，尤其是涉及一种非局部稀疏表示图像去噪方法。

背景技术

在图像获取与传输过程中，由于系统和环境等因素影响，所得图像带有大量噪声。实际应用中，图像去噪可得到高质量图像，以支撑后续处理等。理论层次上，图像去噪方法的研究还与图像建模理论研究有着密切的联系，可为相关图像处理方法——如图像去模糊，图像超分辨率，图像分割以及图像特征提取等方法提供新思路。图像去噪是图像处理和计算机视觉中经久不衰的研究领域。

图像去噪常常被视为反问题，由于其自身的不适定性，为获得理想的去噪结果，图像先验知识建模(图像建模)研究成为了该领域的焦点。主流方法可分大致分为3类：(1)基于梯度的图像建模；(2)基于非局部相似性的图像建模；(3)基于变换的图像建模。目前研究表明基于变换的方法能取得相对较好的图像去噪结果。

作为基于变换的一类去噪方法，稀疏表示图像去噪引起了学者们的广泛关注。在稀疏表示理论中，字典的设计和字典自身性能是一个关键的问题。针对图像的局部几何结构，学者们提出了Curvelet，Contourlet，Wedgelet，Bandlet等多尺度几何分析变换方法，这些方法对某些特定类型的图像结构描述准确，但对复杂图像通常存在不足，此外这类方法需事先给定稀疏字典，即字典非自适应于图像内容。为此，设计自适应稀疏表述字典成为了热点。

Elad等人较早建立了基于超完备字典的稀疏表示模型。假设信号f∈Rⁿ，它可表示成字典中少量元素的线性组合，即f≈Φα，其中，Φ∈R^n×L(L＞n)是一个超完备字典，每一列表示一个信号原子，向量α为只有少部分元素不为零的稀疏编码，即该模型通过字典中少量元素的线性组合来描述信号。目前，基于稀疏表示研究主要在2个方向：1)基于原子间相关约束的稀疏表示；2)非局部稀疏表示。

传统的稀疏表示方法假定自适应字典各原子间相互独立，而最新研究表明原子间存在一定关联，反映了图像几何结构。Peleg等利用玻尔兹曼机(Bolzmann Machine，BM)模型，分析了图像片内对应原子间(非零稀疏系数对应的原子)的相关性，增强了图像的稀疏性表示。基于上述方法，Ren等研究了邻域图像块(相邻8个方向)原子间的相关性，构造了邻域相关结构信息的稀疏性先验模型，取得了较好得去噪结果。Ren方法可视为小窗口内的准非局部稀疏表示方法。

而非局部稀疏表示方法实质是利用图像非局部建模思想对图像稀疏性的一种约束。最近，Dong等利用了非局部思想，提出了稀疏编码噪声(误差)的概念，通过相似集中各图像片的稀疏系数，估计了当前图像片理想的稀疏表示，引入了稀疏编码误差约束项，提出了一种非局部集中稀疏表示模型。但是目前非局部稀疏表示模型往往聚类，偏重于对各相似集内稀疏性描述，聚类准确性不高。

发明内容

为解决上述问题，本发明改进了Dong非局部稀疏表示模型中所用到传统的Kmeans聚类方法，具体利用聚类中心字典学习方法分析与挖掘各相似类间的相关性，并将这一相关性引入传统的Kmeans聚类方法，以提高聚类的准确性，从而达到增强稀疏表示模型性能的目的。

为了实现上述目的，本发明首先提供一种聚类中心字典学习方法，流程图如图1所示，包括如下步骤：