[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

说明书

本发明提供了一种基于k‑means聚类和字典学习的图像处理方法及装置，初始化图像参数对噪声图像进行分块处理，运用k均值算法对给定的图像块进行聚类，对每个聚类运用MOD‑AK‑SVD字典训练算法，得到训练聚类字典{D₁,D₂,D₃...D_k}，然后聚合各分块字典{D₁,D₂,D₃...D_k}组成过完备字典D,使得D＝{D₁,D₂,D₃...D_k}，得到各分块字典并组成过完备字典D，然后运用OMP(正交匹配追踪)算法，求解出对应的稀疏系数，通过设置一定的迭代次数，更新学习相应的字典和稀疏系数，从而重构出去噪后的图像。本发明提供的算法与已有的稀疏编码算法(Sparse coding)算法，改进的稀疏编码(ISC)算法，在不同噪声方差δ和混合噪声密度d条件下图像去噪效果的PSNR(峰值信噪比)值进行比较，可以发现本发明的去噪效果要达到更好的效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于k-means聚类和字典学习的图像处理方法及装置。

背景技术

步入21世纪即意味着步入信息化时代，随着科技的发展，信息的传递形式不再仅仅局限于语音，而是已经发展到了图像、数据、文字等在内的各种多媒体形式。而人们在接受外部信息时，80％来自视觉信息，而数字图像是人们获取视觉信息的最主要的源头，与此同时，随着计算机技术的发展，在学术研究和应用等各方面图像处理都取得了巨大的成就，而且也深入到了人们的日常生活、学习和工作的很多领域。数字图像处理技术的研究内容涉及广泛，包括图像去噪、图像分割、图像增强、图像识别、图像复原、图像编码、多分辨率处理等。

由于成像设备和环境的影响，我们在获取图像的信息时，避无可避的都会出现各种外因或内因的干扰，致使图像夹杂着许多噪声，导致图像发生退化现象。从而使我们获取的信息不完整甚至是错误的，这样的图像不能够清晰地反映出原始的真实信息，因此研究图像去噪等技术具有重要意义和广泛的应用前景。

考虑一个噪声图像，有Y＝Y₀+V，Y是观测到的图像，Y₀是未知的原图像，V是叠加的零均值白噪声。我们的目标是设计一个算法从Y中删除噪声使其尽可能的接近原图像Y₀。

在对噪声图像进行处理时一般不需要精确重构，可以转化为下面的稀疏逼近问题：

min||x||₀s.t.||Y-DX||≤ε

其中，ε为一正常数，当ε足够小时，可以认为一定程度上精确地重构了信号，ε＝0时即为稀疏表示问题。

目前对图像去噪一般采用基于字典学习的图像去噪算法，字典学习算法典型的有MOD字典学习算法，K-MOD字典学习算法和AK-MOD算法，一般过程是：

设一组信号Y＝[y₁,y₂…y_n]，MOD算法的目标是找到一个字典D和一个稀疏矩阵X，使得信号的重构误差最小：

这里x是矩阵X的列，MOD是一种在字典升级和稀疏编码之间交替迭代的更新过程。稀疏编码过程是对每个信号y_n单独进行稀疏表示。

目前基于字典学习的图像去噪算法，如稀疏编码算法(Sparse coding)算法，未考虑图像块间的相关性，采用整体求解方法，其去噪效果一般，改进的稀疏编码(ISC)算法，虽然考虑的图像块间的相关性，但是其字典训练不够充分，去噪效果不佳。

发明内容