[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

摘要

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...Dk}，然后聚合各分块字典{D1,D2,D3...Dk}组成过完备字典D,使得D＝{D1,D2,D3...Dk}，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。

主权项

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