[发明专利]一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法

说明书

本发明公开了一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法，对灰度图像数据中的椒盐噪声进行去噪。本文对图像数据进行字典学习建模，并假设噪声部分服从拉普拉斯分布，采样非参数贝叶斯方法对模型进行概率分布假设；通过最大似然估计法获得模型的目标函数；采用吉布斯采样法对目标函数中所有随机变量采样；通过EM算法反复迭代更新得到各变量的最优解。使用最优解构造输出数据，即输出图片，从而获得干净数据，去除噪声。本方法对灰度图像数据的噪声部分进行了拉普拉斯假设，有效去除了椒盐噪声，对高斯噪声也有一定的去噪能力，此外还能够很好的去除高斯和椒盐的混合噪声。

技术领域

本发明涉及概率字典学习领域，是一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法。

背景技术

在现实中，由于科技技术不够完善或者经济原因不能获得更高端设备等原因，所获得的信号常常伴随着一些噪声，如航天航空采集数据、生物特征数据，监控录像拍摄到的犯罪嫌疑人的影像等，这些都促使了信号降噪领域的研究和发展。近年来专家学者们先后提出了众多基于机器学习的信号降噪的方法，其中字典学习在图像降噪方面的应用问题更是发展得如火如荼。

然而传统的字典学习方法存在着一些问题。一方面，经典字典学习方法如KSVD，需要预先得知噪声的方差以及字典的原子数目，这些都是在实际问题中难以得到的。为了解决这一问题，Mingyuan Z等人提出了一种基于Beta先验过程的字典学习方法(BPDL)，这一方法不需要预先得知噪声的离散程度也不需要预先得知字典的原子数目，有效的解决了这一问题。但是这一方法是针对高斯噪声处理的模型，而实际情况中噪声产生的原因是多样复杂而不可预测的，对于其他常见的噪声诸如椒盐噪声，BPDL就不再适用了。

另一方面，由于科技发展的原因，采集到的数据往往是高维数据，比如证券市场交易数据、多媒体图形图像视频数据。然而在高维数据的处理和应用方面仍然存在很多问题。传统机器学习方法基本是针对向量的一维数据处理的，在分析高维数据的时候，人们常常是将高维数据向量化，再采用向量数据的处理方法处理这些高维数据。但是这样就存在了一个很严重的问题，就是在数据向量化的过程中会破坏高维数据的内部结构，即高维结构。这样的结果是，一方面给数据的原有信息造成损失，转换后的数据所蕴含的信息与转换之前的高维度数据所包含的信息并不一致，信息的损失会给后续的处理工作增加困难和降低可靠性。因此，如何直接对高维数据做处理成为了解决高维结构破坏的关键问题。

发明内容

本发明提出一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法，对灰度图像数据中的椒盐噪声进行去噪。本方法对图像数据进行字典学习建模，并假设噪声部分服从拉普拉斯分布，采样非参数贝叶斯方法对模型进行概率分布假设；通过最大似然估计法获得模型的目标函数；采用吉布斯采样法对目标函数中所有随机变量采样；通过EM算法反复迭代更新得到各变量的最优解。使用最优解构造输出数据，即输出图片，从而获得干净数据，去除噪声。对灰度图像数据的噪声部分进行了拉普拉斯假设，有效去除了椒盐噪声，对高斯噪声也有一定的去噪能力，此外还能够很好的去除高斯和椒盐的混合噪声。

本发明采用的技术方案为一种针对拉普拉斯噪声的非参数贝叶斯字典学习方法，该方法的具体实施过程如下：

S1针对拉普拉斯噪声的非参数贝叶斯字典学习

贝叶斯过程的非参数字典已经被应用到针对高斯噪声的处理中，但是没有应用到椒盐噪声的处理中。本方法是把模型推广到椒盐噪声的处理中，如下给出针对拉普拉斯分布的噪声的非参数贝叶斯字典学习模型BPLDL的分层模型：

X_i＝D(s_i⊙z_i)+ε_i