專利名稱：基于k-svd和局部線性嵌套的圖像降噪系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及ー種圖像降噪系統(tǒng)和方法，特別涉及ー種基于K-SVD和局部線性嵌套的圖像降噪系統(tǒng)和方法。
背景技術(shù)：
在實際應(yīng)用中，圖像在獲取、傳輸過程中不可避免的會受到各種噪聲信號的干擾。因此，在接收端必須對含噪圖像進行處理，提高圖像的信噪比，改善圖像質(zhì)量，從含噪圖像中盡量提取真實、有效的原圖像信息。圖像降噪一直是圖像處理領(lǐng)域中ー個熱點問題，各國學(xué)者也通過各種信號處理手段提升圖像的信噪比。近年來，隨著基于字典學(xué)習(xí)和稀疏表示的信號處理與重構(gòu)方法的研究不斷深入，將該類方法應(yīng)用于圖像降噪領(lǐng)域也取得了一定的成果。在Michael Elad;Michal Aharon. Image Denoising Via sparse and Redundant Representations Over LearnedDictionaries[J]. IEEE Transactions on image processing,2006,15(12):3736-3745.發(fā)表的文獻中表明，將經(jīng)典的K-SVD算法應(yīng)用于圖像降噪，能夠獲得優(yōu)于傳統(tǒng)的基于全局字典及過完備離散余弦字典所重構(gòu)出的圖像，提升降噪效果。但是，由于基于K-SVD方法的圖像降噪的準(zhǔn)則是由字典和稀疏信號相乘所得的重構(gòu)圖像逼近于含噪圖像，且噪聲具有較強的隨機性，因此這樣的降噪準(zhǔn)則必然降低圖像局部較強的相關(guān)性，從而不利于重構(gòu)圖像質(zhì)量的提聞。另ー方面，信號處理中的流形學(xué)習(xí)方法是ー種有效的非監(jiān)瞀學(xué)習(xí)方法，其可以發(fā)現(xiàn)，高維數(shù)據(jù)中少數(shù)的隱含變量(低維數(shù)據(jù))，而這些隱含變量則嵌套在高維歐式空間，以組合型的非線性流形存在。雖然基于字典學(xué)習(xí)和稀疏表示的信號處理與重構(gòu)方法中稀疏信號的維數(shù)可能高于原始信號維數(shù)，但是稀疏性卻可將該稀疏信號視為低維信號，從而保證流形學(xué)習(xí)方法在字典學(xué)習(xí)和稀疏表示的信號處理領(lǐng)域中的應(yīng)用。在MiaoAheng，jlajun Bu, , Chun しhen, et. al. Graph Regularized Sparse Coding for ImageRepresentation[J]. IEEE Transaction on image processing,2011,20 (5):1327-1335.發(fā)表的文獻中表明，將流形學(xué)習(xí)中的局部線性嵌套(LLE)方法結(jié)合稀疏信號處理吋，能夠有效實現(xiàn)圖像的分類和聚類，從一定角度說明流形學(xué)習(xí)中的局部線性嵌套(LLE)方法能夠在圖像重構(gòu)時體現(xiàn)圖像內(nèi)在的局部相關(guān)性。

發(fā)明內(nèi)容
本發(fā)明的目的是將基于字典學(xué)習(xí)和信號稀疏表不的K-SVD方法與局部線性嵌套相結(jié)合，應(yīng)用于圖像處理領(lǐng)域，實現(xiàn)圖像降噪。本發(fā)明的技術(shù)方案從以下兩方面考慮①字典學(xué)習(xí)和信號稀疏表不方面，由于圖像信號本身具有一定的結(jié)構(gòu)信息，如圖像的輪廓紋理等，因此字典學(xué)習(xí)的方法能夠通過學(xué)習(xí)獲得信號的這種特有結(jié)構(gòu)，使得在該字典上的稀疏系數(shù)必是信號結(jié)構(gòu)特征的最大化表現(xiàn)。而圖像噪聲則一般不具備這種結(jié)構(gòu)，具有較強的隨機性。因此通過由在字典上稀疏系數(shù)重構(gòu)的圖像對含噪圖像的逼近，能夠有效地去除噪聲。而K-SVD算法則是其中的ー種高效、實用的算法，因此本發(fā)明以K-SVD算法為框架進行架構(gòu)。②在流形學(xué)習(xí)方面，考慮到圖像的結(jié)構(gòu)信息會被噪聲所污染，且由于原始圖像未知，重構(gòu)圖像只能逼近于含噪圖像，從而必然導(dǎo)致重構(gòu)出的圖像中存在一部分虛假結(jié)構(gòu)信息。因此利用流形學(xué)習(xí)算法，強制在圖像塊的稀疏系數(shù)間建立聯(lián)系，從而有利于突出圖像的真實結(jié)構(gòu)信息，并有效抑制虛假結(jié)構(gòu)信息。本發(fā)明則通過局部線性嵌套算法實現(xiàn)在圖像塊的稀疏系數(shù)間建立聯(lián)系。最終，實現(xiàn)ー種在K-SVD框架下基局部線性嵌套的圖像降噪系統(tǒng)和方法，并取得比傳統(tǒng)K-SVD圖像降噪方法更優(yōu)的效果。本發(fā)明的主要技術(shù)內(nèi)容如下一種基于K-SVD和局部線性嵌套的圖像降噪系統(tǒng)，包括以下模塊采樣模塊，計算拉普拉斯矩陣L模塊，目標(biāo)函數(shù)構(gòu)造及字典、稀疏系數(shù)優(yōu)化模塊，估計圖像塊獲取模塊，整體估計圖像塊獲取模塊；含噪圖像一采樣模塊一計算拉普拉斯矩陣L模塊一目標(biāo)函數(shù)構(gòu)造及字典、稀疏系 數(shù)優(yōu)化模塊一估計圖像塊獲取模塊一整體估計圖像塊獲取模塊一去噪圖像；所述目標(biāo)函數(shù)構(gòu)造及字典、稀疏系數(shù)優(yōu)化模塊包括整體目標(biāo)函數(shù)構(gòu)造模塊、對各稀疏系數(shù)優(yōu)化模塊、對字典D優(yōu)化模塊；所述對各稀疏系數(shù)優(yōu)化模塊包括兩部分稀疏系數(shù)目標(biāo)函數(shù)的構(gòu)造以及稀疏系數(shù)的優(yōu)化；所述對字典D優(yōu)化模塊包括兩部分字典D的目標(biāo)函數(shù)的構(gòu)造以及字典D的優(yōu)化。一種基于K-SVD和局部線性嵌套的圖像降噪方法，包含以下步驟(I)、在采樣模塊中輸入含噪圖像，對該圖像采樣出N個M1XM2像素大小的圖像±夾，并記錄各圖像塊在原圖中的位置，對第k個圖像塊像素矩陣Bk按列進行順序堆砌，k =1，2，…，N，構(gòu)成ー (M1M2) X I的列矢量Yk ；(2)、在計算拉普拉斯矩陣L模塊中對全體圖像塊所對應(yīng)的列矢量按照局部線性嵌套方法，根據(jù)各矢量點在空間幾何中的結(jié)構(gòu)，計算距離的權(quán)值矩陣W，并進而構(gòu)造拉普拉斯矩陣L ；(3)、在目標(biāo)函數(shù)構(gòu)造及字典、稀疏系數(shù)優(yōu)化模塊中利用K-SVD算法構(gòu)造目標(biāo)函數(shù)為熾KAXA")丨，約束條件為I IYk-DXkI |2彡e進行參數(shù)D和X的優(yōu)化求解，其中，Y =LY1 Y2. ..YN]，D為字典，Xk為Yk在D上投影的稀疏系數(shù)，X= [XiX2. Xj , I I. Iし為Frobenius范數(shù)，|. I I2為2范數(shù)，Tr(.)為矩陣求跡運算，( )T為矩陣轉(zhuǎn)秩運算，P為加權(quán)系數(shù)，P = 0. I, e為分解誤差門限；(4)、在估計圖像塊獲取模塊中利用優(yōu)化出的字典D和稀疏系數(shù)Xk，對列矢量Yk進行估計，其求解公式為& = ox . k = 1，2，. . .，N，并將該估計量'之按行進行順序分解，構(gòu)造對應(yīng)大小為M1XM2的估計圖像塊像素矩陣式;(5)、在整體估計圖像獲取模塊中將步驟(4)估計出的圖像塊，根據(jù)步驟(I)中的圖像塊在原圖中的位置信息，覆蓋至原圖的對應(yīng)位置，并記錄原圖中每個像素點上需要覆蓋的估計圖像塊個數(shù)wu，i, j為像素位置坐標(biāo)，及對應(yīng)的估計圖像塊的像素值i^，k =I，2， ，j ;(6)、利用權(quán)值％」對/進行權(quán)值相加，最終獲得降噪后圖像對應(yīng)位置的像素值
權(quán)利要求
1.一種基于K-SVD和局部線性嵌套的圖像降噪系統(tǒng)，其特征在于包括以下模塊采樣模塊，計算拉普拉斯矩陣L模塊，目標(biāo)函數(shù)構(gòu)造及字典、稀疏系數(shù)優(yōu)化模塊，估計圖像塊獲取模塊，整體估計圖像塊獲取模塊； 含噪圖像一采樣模塊一計算拉普拉斯矩陣L模塊一目標(biāo)函數(shù)構(gòu)造及字典、稀疏系數(shù)優(yōu)化模塊一估計圖像塊獲取模塊一整體估計圖像塊獲取模塊一去噪圖像； 所述目標(biāo)函數(shù)構(gòu)造及字典、稀疏系數(shù)優(yōu)化模塊包括整體目標(biāo)函數(shù)構(gòu)造模塊、對各稀疏系數(shù)優(yōu)化模塊、對字典D優(yōu)化模塊； 所述對各稀疏系數(shù)優(yōu)化模塊包括兩部分稀疏系數(shù)目標(biāo)函數(shù)的構(gòu)造以及稀疏系數(shù)的優(yōu)化； 所述對字典D優(yōu)化模塊包括兩部分字典D的目標(biāo)函數(shù)的構(gòu)造以及字典D的優(yōu)化。
2.一種基于K-SVD和局部線性嵌套的圖像降噪方法，其特征在于包含以下步驟 (1)、在采樣模塊中輸入含噪圖像，對該圖像采樣出NAM1XM2像素大小的圖像塊，并記錄各圖像塊在原圖中的位置，對第k個圖像塊像素矩陣Bk按列進行順序堆砌，k =.1，2，…，N，構(gòu)成一 (M1M2) X I的列矢量Yk ； (2)、在計算拉普拉斯矩陣L模塊中對全體圖像塊所對應(yīng)的列矢量按照局部線性嵌套方法，根據(jù)各矢量點在空間幾何中的結(jié)構(gòu)，計算距離的權(quán)值矩陣W，并進而構(gòu)造拉普拉斯矩陣L ; (3)、在目標(biāo)函數(shù)構(gòu)造及字典、稀疏系數(shù)優(yōu)化模塊中利用K-SVD算法構(gòu)造目標(biāo)函數(shù)為
3.根據(jù)權(quán)利要求2所述的基于K-SVD框架下的基于局部線性嵌套的圖像降噪方法，其特征在于步驟(3)所述的利用基于K-SVD算法對式
全文摘要
本發(fā)明公開了一種基于K-SVD和局部線性嵌套的圖像降噪系統(tǒng)和方法，具體涉及到基于字典學(xué)習(xí)的信號稀疏表示和重構(gòu)及流形學(xué)習(xí)的圖像降噪技術(shù)。它采用K-SVD方法為框架的基于字典學(xué)習(xí)的信號稀疏表示和重構(gòu)技術(shù)，在求解信號稀疏表示時將局部線性嵌套作為約束條件加入目標(biāo)函數(shù)，以此加強分解出的稀疏系數(shù)之間的聯(lián)系，克服隨機噪聲對稀疏系數(shù)的影響，從而獲得比原K-SVD方法更優(yōu)的圖像降噪效果。
文檔編號G06T5/00GK102789633SQ201210228638
公開日2012年11月21日 申請日期2012年7月2日 優(yōu)先權(quán)日2012年7月2日
發(fā)明者單鳴雷, 朱昌平, 殷澄, 湯一彬, 韓慶邦, 高遠 申請人:河海大學(xué)常州校區(qū)