改进稀疏表示与非局部相似性融合的图像去噪算法

本文主要探讨了基于稀疏表示的图像去噪算法，特别是在现代信息技术背景下，随着压缩感知的发展，稀疏表示理论在图像处理中的重要性日益凸显。论文首先介绍了稀疏表示理论的基本概念，强调了原子库构造和稀疏分解在图像去噪中的关键作用。在原子库构建方面，作者选择了课题组之前提出的全相位双正交变换（APBT）作为基础，通过组合不同类型的基函数创建混合原子库，以提高去噪方法的性能。 进一步深入研究，作者针对基于学习方法的冗余字典，尤其是基于KSVD字典学习的图像去噪算法进行了改进。传统的KSVD算法虽能捕捉信号的结构特征，但在去噪效果上可能存在不足。论文提出了一种融合相关系数匹配准则和字典裁剪策略的优化方法，这有助于提升算法在保持图像平滑性的同时，更好地保留图像的纹理和边缘细节。 为了充分利用图像的非局部自相似性信息，作者创新性地将自相似性作为约束正则项引入到图像去噪模型中，这种方法旨在增强去噪算法的全局一致性，从而实现更精细的去噪效果。通过实验验证，与传统KSVD去噪方法相比，新提出的基于改进字典学习和非局部自相似性的算法在图像质量上有显著提升，表现为更佳的平滑性和细节保留。 这篇硕士学位论文不仅回顾了稀疏表示理论在图像去噪中的应用，还提出了一种结合了学习方法、字典优化和非局部特征利用的创新算法，为图像去噪技术的发展提供了新的思路和方法。通过实验证明，这种改进的算法在处理复杂图像噪声问题时，显示出了更高的性能优势。