【技术实现步骤摘要】
本专利技术涉及。
技术介绍
通常，图像在获取和传输过程中会受到噪声的污染，为了后续的处理，很有必要进行去噪处理。去噪的目的就是尽可能地滤除噪声，同时最大限度地保留源图像的信息，以提高图像的质量。目前，图像去噪处理方法一般可分为空间域处理和变换域处理。经典的空间域去噪处理有均值滤波、中值滤波、维纳滤波等。变换域去噪的基本思想是将含噪图像通过某种变换，将图像从空间域变换到变换域，对变换域的系数进行处理，再进行反变换得到去噪图像。图像的稀疏表示便是一种变换，将图像变换到稀疏域。经过稀疏表示后，图像信号主要集中在少数系数较大的原子上，而噪声散布在系数较小的原子上，因此可以利用少数系数较大的原子恢复源图像信号。信号的稀疏表示大多采用综合稀疏模型(Synthesis Sparse Model),即在满足一定的近似条件下，用少量过完备字典中的原子的线性组合来表示信号。在综合稀疏模型中，信号由少数原子构成的子空间来表示，使得信号稀疏表示受个别原子影响较大。解析稀疏模型(Analysis Sparse Model)克服了综合稀疏模型稀疏表示性能较差的缺点。假设输入信号X e Rn，解析字典为Ω e Rpxn,也称之为解析算子(Analysis Operator),与综合字典不同，其行向量《J为解析字典的原子((.)τ表示转置运算)。Ω 一般也是过完备字典，但与综合字典不同，它的行数大于列数，即Ρ>η。信号X的解析稀疏模型定义为
【技术保护点】
一种基于解析稀疏表示的图像去噪方法，其特征是首先利用带噪图像通过子集追踪算法学习得到解析字典，然后利用Bregman距离作为目标函数，采用加权分裂Bregman算法进行源信号的估计，得到最终的去噪图像。
【技术特征摘要】
1.一种基于解析稀疏表示的图像去噪方法，其特征是首先利用带噪图像通过子集追踪算法学习得到解析字典，然后利用Bregman距离作为目标函数，采用加权分裂Bregman算法进行源信号的估计，得...
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。