[发明专利]一种基于k-means聚类和字典学习的图像处理方法及装置

权利要求书

1.一种基于k-means聚类和字典学习的图像处理方法，其特征在于，包括：

初始化图像参数得到待分块的噪声图像，对待分块的噪声图像进行图像分块获得图像块；

运行k-means算法对图像块进行聚类计算获得K个聚类，对每个聚类运行MOD-AK-SVD字典学习算法得到训练聚类字典{D₁,D₂,D₃...D_k｝；

将训练聚类字典{D₁,D₂,D₃…D_k｝聚合为过完备字典D＝{D₁,D₂,D₃…D_k｝；

运行OMP正交匹配追踪算法求解出对应的过完备字典D的稀疏系数

根据稀疏系数计算重构去噪图像；

判断迭代次数是否达到预设的目标次数，若是，则输出重构去噪图像，若否，则将迭代次数加一并返回初始化图像参数的步骤，所述迭代次数的初始值为1。

2.根据权利要求1所述的一种基于k-means聚类和字典学习的图像处理方法，其特征在于，所述初始化图像参数得到待分块的噪声图像，对待分块的噪声图像进行图像分块获得图像块具体包括：

令

设置图像分块尺寸为n*n、字典大小为k、拉格朗日乘子为λ₁、聚类数为K，将图像大小为N*N的图像分块处理得到(N-n+1)²个图像块；

其中，y为待处理的噪声图像，为待分块的噪声图像，为上一次迭代后的重构去噪图像，β为预设的相关系数，j为迭代次数且初始值为1。

3.根据权利要求1所述的一种基于k-means聚类和字典学习的图像处理方法，其特征在于，所述运行k-means算法对图像块进行聚类计算获得k个聚类具体包括：

通过计算各图块间的欧式距离将图像块分为K类，组成K个聚类。

4.根据权利要求1所述的一种基于k-means聚类和字典学习的图像处理方法，其特征在于，所述对每个聚类运行MOD-AK-SVD字典学习算法得到训练聚类字典{D₁,D₂,D₃…D_k}具体包括：

随机地建造一个字典D_k，对D_k执行归一化处理；

根据第k个聚类执行主迭代过程；

判断是否小于或等于预设的最小值，若是，则输出字典D_k，若否，则返回执行主迭代过程；

其中，所述主迭代过程为：

运行OMP正交匹配追踪算法求解出字典D_k的稀疏系数；

运行MOD和AK-AVD算法更新字典，即计算下列公式：

Ω_j0＝{i|1≤i≤M,X_(k)(j0,i)≠0}；

计算残差矩阵：

根据下列公式更新字典原子d_j0和稀疏系数

d_j0＝E_j0x_j0；

其中，Y表示图像信号矩阵，X_K表示稀疏系数矩阵，d_j0代表D_K中的第j0列，代表X_K中的第j0行，Ω_j0表示相应的条件集合，M为常数。

5.根据权利要求1所述的一种基于k-means聚类和字典学习的图像处理方法，其特征在于，所述运行OMP正交匹配追踪算法求解出对应的过完备字典D的稀疏系数具体为：

根据过完备字典D的稀疏系数求解公式计算得到过完备字典D的稀疏系数

所述过完备字典D的稀疏系数的求解公式为：

其中，为第j次迭代第i个聚类对应的稀疏系数，R_ij表示对应的块提取算子，X表示图像信号矩阵，T(σ)表示误差参数。