在人類(lèi)日常生活中,圖像扮演了越來(lái)越重要的角色,圖像蘊(yùn)含了豐富的信息,但圖像受到各種各樣的因素的影響,從而導(dǎo)致其質(zhì)量不佳。一般情況下,圖像會(huì)被噪聲污染,直接影響到圖像的視覺(jué)效果,為了解決該問(wèn)題,圖像去噪技術(shù)因此得到了成熟的發(fā)展,主要目的為既能高效地去除圖像噪聲,又能有效地保留圖像的有用信息,包括圖像的紋理和邊緣信息等。近些年來(lái),隨著信號(hào)的稀疏表示理論的不斷完善,基于稀疏表示理論的字典學(xué)習(xí)方法得到了成熟的發(fā)展。考慮到原始圖像在合適的字典下具有稀疏性而噪聲通常無(wú)這一特性,因此,研究學(xué)者們?yōu)榻鉀Q圖像去噪問(wèn)題提出了很多有效解決方案。基于稀疏表示的圖像去噪方法對(duì)圖像噪聲方差難以確定,且傳統(tǒng)字典學(xué)習(xí)方法難以解決參數(shù)自動(dòng)選擇問(wèn)題。而非參數(shù)貝葉斯字典學(xué)習(xí)方法能有效地解決該問(wèn)題�？紤]到圖像在梯度域具有良好稀疏性以及非局部自相似特性,分別提出了稀疏梯度域非參數(shù)貝葉斯字典學(xué)習(xí)圖像去噪方法和梯度域補(bǔ)丁分組貝葉斯學(xué)習(xí)圖像去噪方法。圖像在梯度域的稀疏性一般優(yōu)于空間域,提出稀疏梯度域非參數(shù)貝葉斯字典學(xué)習(xí)圖像去噪方法。考慮整個(gè)圖像去噪模型是一個(gè)多變量耦合問(wèn)題,難以直接求解。利用Bregman和交替迭代方法把該問(wèn)題分解為... 

【文章來(lái)源】：華東交通大學(xué)江西省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1兩種不同的字典構(gòu)造方法產(chǎn)生的字典（a）DCT解析字典（b）字典學(xué)習(xí)

(c) α0=60 (d) α0=1200圖 3-1 不同集中參數(shù) α0下 G 的分布情況Fig.3-1 The distribution under the different concentration parameter3.2.3 典型的狄利克雷過(guò)程構(gòu)建方法一般地，DP 沒(méi)有清晰的表達(dá)式，不能直接使用 DP 的基本定義對(duì) DP 直接進(jìn)行采樣和預(yù)測(cè)未知數(shù)據(jù)，后來(lái)，多種 DP 的構(gòu)建方法因此誕生。例如：波里亞罐模型[37]（Polya Urn Model）、中國(guó)餐館過(guò)程[38]（Chinese Restaurant Process, CRP）、Pitman-Yor[39]、截棍過(guò)程[40]（Stick-breaking process）等。下面主要介紹波里亞罐模型、截棍過(guò)程。1）波利亞罐模型Blackwell 和 MacQueen 于 1973 年提出波利亞罐子模型（Blackwell MacQueenModel），作為一個(gè)經(jīng)典的統(tǒng)計(jì)模型，有很多概率分布基于此模型得出，模型的含義為：有 n 個(gè)球裝在一個(gè)罐子中，這些球有 m 種顏色，每種顏色球?qū)?yīng)的個(gè)數(shù)為 (1 )iy i m，每次隨機(jī)取出罐子中的一個(gè)球，先記錄這個(gè)球的顏色，然后

4.3 實(shí)驗(yàn)仿真及結(jié)果分析在本節(jié)中，通過(guò)實(shí)驗(yàn)仿真分析提出的圖像去噪算法的性能。在實(shí)驗(yàn)仿真中，如圖4-1所示，選用8張不同的灰度圖像作為實(shí)驗(yàn)仿真對(duì)象，仿真實(shí)驗(yàn)在MATLABR2014a 的軟件環(huán)境下完成，硬件條件是英特爾四核 CPU，頻率 3.30GHz，內(nèi)存16GB。分別使用提出的算法、GradDLRec 算法和 DLMRI 算法對(duì)圖像去噪。其中，DLMRI 算法參數(shù)設(shè)置：字典大小 P=36，圖像塊大小 P1/2=6


本文編號(hào)：2966835