[发明专利]一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法

摘要

本发明公开了一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法，包括下述步骤：对待噪图像，利用kmeans聚类，产生各类；构建各类对应的紧致PCA字典；利用Dong等提出的方法构造类内图像片稀疏编码误差项；计算各类中心图片；利用聚类中心字典学习，分析类间相关性，得到各聚类中心的稀疏表示：构造聚类中心误差项；耦合聚类中心误差项，类内稀疏编码误差项于传统稀疏表示模型；利用梯度下降法求解。本发明通过提出聚类中心字典学习方法，挖掘各相似集或各类间潜在的稀疏性先验知识，构建聚类中心约束项，以增强图像稀疏表示，并联合该项与稀疏误差项，将二者引入于传统的稀疏表示模型，最终实现图像去噪。

主权项

1.一种耦合聚类中心约束的非局部稀疏表示图像去噪方法，其特征在于，包括如下步骤：步骤A，对待噪图像，利用kmeans聚类，产生各类；步骤B，构建各类对应的紧致PCA字典；步骤C，利用非局部集中稀疏表示模型构造类内图像片稀疏编码误差项；步骤D，计算各类中心图片；步骤E，利用聚类中心字典学习，分析类间相关性，得到各聚类中心的稀疏表示：所述步骤E包括如下步骤：用传统方法稀疏表示聚类中心图像块；根据稀疏表示结果与聚类中心字典，生成稀疏性模式；根据各模块稀疏性模式与相似块快速查找表，构造相关性函数，继而构造相关性矩阵，其中相似性快速查找表记录了与当前图像块最相似的 N个图像块；根据相关性矩阵构造基于相关分析的稀疏性先验模型；建立稀疏性先验模型；利用最大后验概率估计方法估计稀疏性模式，用以生成新的聚类中心图像片；步骤F，构造聚类中心误差项；步骤G，耦合聚类中心误差项，类内稀疏编码误差项与传统稀疏表示模型；步骤H，利用梯度下降法求解。