【技术实现步骤摘要】
本专利技术涉及数字图像处理技术，特别涉及基于马尔可夫稳健稀疏贝叶斯学习的图像去噪技术。
技术介绍
0、技术背景
1、压缩感知是一种同时进行采样和数据压缩的理论框架，稀疏重构算法作为压缩感知的重要组成部分，可以通过贝叶斯学习框架恢复原始信号。
2、在实际应用中，图像像素位置与像素强度之间可以建立回归模型，其中核函数构成的矩阵对应于压缩感知模型中的感知矩阵，核函数的权重向量对应于压缩感知模型中的稀疏向量，像素强度组成的向量对应于观测向量。通过稀疏重构算法重构出权重向量后，通过回归模型预测每个点的像素强度可以实现去噪。通常情况下基于传统贝叶斯学习框架的稀疏重构算法能够取得较好的重构结果，但在某些特殊环境中会受到冲击噪声的影响导致性能下降，因此需要设计一种去除冲击噪声的解决方案。
技术实现思路
1、本专利技术所要解决的技术问题是，针对在真实环境中，图像受到的椒盐噪声符合冲击噪声短时且能量高的特点，提供一种适用于冲击噪声环境的基于稳健稀疏重构的去除图像椒盐噪声的方法。
...【技术保护点】
1.一种基于马尔可夫稳健稀疏贝叶斯学习的图像去噪方法，其特征在于，包括步骤：
2.如权利要求1所述方法，其特征在于，对冲击噪声和非冲击噪声使用两个不同参数的高斯分布模型进行表达，使用标志向量z中相应标志变量zi对观测值yi是否受到冲击噪声影响进行区分的具体方式为：
3.如权利要求2所述方法，其特征在于，第i个像素处的状态变量zi服从贝塔-伯努利分布。
4.如权利要求3所述方法，其特征在于，求解稀疏向量的后验估计值μs的具体方法为：
5.如权利要求1所述方法，其特征在于，参数π0，i和参数π1，i通过相关性参数x关联，有：...
【技术特征摘要】
1.一种基于马尔可夫稳健稀疏贝叶斯学习的图像去噪方法，其特征在于，包括步骤：
2.如权利要求1所述方法，其特征在于，对冲击噪声和非冲击噪声使用两个不同参数的高斯分布模型进行表达，使用标志向量z中相应标志变量zi对观测值yi是否受到冲击噪声影响进行区分的具体方式为：
3.如权利要求2所述方法，其特征在于，第i个像素处的状态变量zi服从贝塔-伯努利分布。...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。