一种基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法技术

本发明专利技术提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明专利技术采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明专利技术所提算法在图像质量恢复上也取得了良好的效果。果。果。

【技术实现步骤摘要】
一种基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法


[0001]本专利技术属于传统的基于稀疏表示进行图像质量恢复及处理的领域，尤其涉及考虑图像块结构相似性的去噪算法。

技术介绍

[0002]图像去噪技术是图像处理领域中最基本的一个研究方向。图像是人类获取信息的重要手段之一，图像在信息传播过程中所起的作用越来越大。在许多情况下，图像信息会受到各种各样噪声的影响，因为图像在获取过程中容易受到器件和周围环境的影响，从而使图像中含有噪声。
[0003]基于稀疏表示的图像去噪算法，以K
‑
SVD算法为例，其本身是一种通过不断的字典学习以及优化基于该字典的图像稀疏表达，使得在图像去噪过程中，可以将图像的稀疏表达作为原来的有用信息保留，而将逼近残差视为噪声不断有效丢弃，达到实现图像信号恢复的目的。因此，字典学习以及基于该字典的优化求解原图像的稀疏表达，是K
‑
SVD这一类图像去噪算法中至关重要的步骤。
[0004]在实际中依赖图像块进行图像去噪的算法包括K
‑
SVD，往往忽略了图像块内的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，其特征在于，包括以下步骤：S1读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；S2针对该目标图像，构建适用于该图像的DCT字典所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；S3根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。2.如权利要求1所述的基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，其特征在于，步骤S1中，图像的预处理包括以下步骤：1.1读取数据集中特定含噪声的自然图像Y，设自然图像Y的长和宽为M和N；1.2设X为去噪后的图像，初始化为Y；在Y上采用滑动窗的形式从左到右从上到下抽取大小为的图像块，且滑动步长为一个像素的距离；x
ij
表示依次取出的图像块，其中抽取的过程用R
ij
表示且R
ij
仅由1和0构成，则且x
ij
∈R
n
×1为一维的列向量，构成图像矩阵的第列；设α
ij
∈R
m
×1为x
ij
对应的稀疏系数向量简化表达为α∈R
m
×1。3.如权利要求1所述的基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，其特征在于，步骤S3中，更新稀疏系数α
ij
采用EBSBL算法对于图像的结构特性的抓取，使得稀疏系数的更新时保持稀疏系数足够的稀疏，同时具备结构特性；S3具体包括步骤：S3.1，根据初始化后的X和字典D，迭代循环更新稀疏系数α
ij
和字典D，共J次；S3.2，根据迭代之后的稀疏系数与字典，还原恢复后的图像如公式(1)所示：上式中X为去噪还原后的图像，Y为噪声图像即图像矩阵，D是字典，β为拉格朗日乘数。4.如权利要求3所述的基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，其特征在于，步骤S3.1根据初始化后的X和字典D，迭代循环更新稀疏系数α
ij
和字典D，共J次，每一次循环包括两个步骤：S3.1.1更新稀疏系数a
ij
和S3.1.2更新字典D；所述S3.1.1通过EBSBL算法生成稀疏系数，具体包括如下：假定为原信号x的稀疏表达，为加噪声之后的信号，为关于信号y的字典，v为噪声且呈高斯分布，则满足如下的加性高斯噪声模型：y＝Dα+v；α具有g个块结构即α＝[α1,
…
,α
g
]
T
，其中d
i
为构成块组α
i
的元素个数...

【专利技术属性】
技术研发人员：罗烨，朱亚萍，石稼晟，李德涛，梁伊雯，
申请(专利权)人：同济大学，
类型：发明
国别省市：