[发明专利]基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法

摘要

本发明公开了一种基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法，主要克服现有自然图像去噪中纹理细节丢失的现象。其实现过程是：(1)输入含噪图像P并对其做多尺度支撑值变换，得到不同尺度上的支撑值图像Y_j，设定Y_j的去噪目标函数；(2)令干净支撑值图像X_j为支撑值图像Y_j，令字典D_j为过完备DCT字典；(3)采用KSVD算法更新字典D_j和系数矩阵α_mn；(4)计算Y_j的去噪结果；(5)重复步骤2)-4)，计算出各支撑值图像的去噪结果并对其做多尺度支撑值逆变换，得含噪图像P的去噪结果X。本发明相对于现有的经典去噪方法能更好地保留含噪图像的线目标和纹理信息，去噪效果有了明显提升，可用于图像处理，模式识别和生物医学领域。

主权项

1.一种基于支撑值变换和多尺度冗余字典字习的自然图像去噪方法，包括如下步骤：(1)利用最小二乘支撑矢量机的逼近模型构造支撑值滤波器V_j，j＝1，2，...，γ，其中，γ是多尺度数目；(2)将含噪图像P利用多个尺度上的支撑值滤波器V_j，j＝1，2，...，γ进行分解，得到含噪图像P在第j个尺度上的支撑值图像Y_j，j＝1，2，...，γ：Y_j＝V_j*P_j，其中Pj=Pj-1-Yj-12≤j≤γPj=1]]>V_j是第j个支撑值滤波器，P_j是第j个尺度上含噪图像P的近似图像，*代表卷积运算，P_j-1是第j-1个尺度上含噪图像P的近似图像，Y_j-1是含噪图像P在第j-1个尺度上的支撑值图像；(3)将含噪支撑值图像Y_j，j＝1，2...γ分解为Q个重叠图像块，设定第j个尺度上支撑值图像的去噪结果X^j=argminXjΣmn||Djαmn-RmnXj||22+Σmn||αmn||0+λ||Xj-Yj||22]]>其中，D_j是对应于Y_j的自适应稀疏表示字典，α_mn是图像块R_mnX_j在字典D_j下的稀疏表示系数，R_mn代表取块操作，X_j是干净的支撑值图像，R_mnX_j为从X_j中选取的8×8大小的图像块，m和n分别是取出块的第一行和第一列的位置，表示取2范数平方，||α_mn||₀表示稀疏表示系数α_mn的0范数，λ是拉格朗日系数，是逼近误差的2范数平方；(4)采用KSVD算法更新自适应稀疏表示字典D_j和稀疏表示系数α_mn；(5)将更新后的自适应稀疏表示字典D_j和更新后的稀疏表示系数α_mn代入步骤(3)设定的第j个尺度上支撑值图像的去噪结果公式，得到第j个尺度上支撑值图像的去噪结果X^j=(λI+ΣmnRmnTRmn)-1(λYj+ΣmnRmnTDjαmn)]]>其中I是单位矩阵，是R_mn的转置；(6)重复步骤(3)-(5)，计算得到所有尺度上支撑值图像的去噪结果对做多尺度支撑值逆变换得到含噪图像P的去噪结果X=Σj=1γX^j.]]>