[发明专利]基于K-SVD和局部线性嵌套的图像降噪系统和方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种图像降噪系统和方法，特别涉及一种基于K-SVD和局部线性嵌套的图像降噪系统和方法。

背景技术

在实际应用中，图像在获取、传输过程中不可避免的会受到各种噪声信号的干扰。因此，在接收端必须对含噪图像进行处理，提高图像的信噪比，改善图像质量，从含噪图像中尽量提取真实、有效的原图像信息。图像降噪一直是图像处理领域中一个热点问题，各国学者也通过各种信号处理手段提升图像的信噪比。

近年来，随着基于字典学习和稀疏表示的信号处理与重构方法的研究不断深入，将该类方法应用于图像降噪领域也取得了一定的成果。在Michael Elad;Michal Aharon.Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries[J].IEEE Transactions on image processing,2006,15(12):3736-3745.发表的文献中表明，将经典的K-SVD算法应用于图像降噪，能够获得优于传统的基于全局字典及过完备离散余弦字典所重构出的图像，提升降噪效果。但是，由于基于K-SVD方法的图像降噪的准则是由字典和稀疏信号相乘所得的重构图像逼近于含噪图像，且噪声具有较强的随机性，因此这样的降噪准则必然降低图像局部较强的相关性，从而不利于重构图像质量的提高。

另一方面，信号处理中的流形学习方法是一种有效的非监督学习方法，其可以发现，高维数据中少数的隐含变量（低维数据），而这些隐含变量则嵌套在高维欧式空间，以组合型的非线性流形存在。虽然基于字典学习和稀疏表示的信号处理与重构方法中稀疏信号的维数可能高于原始信号维数，但是稀疏性却可将该稀疏信号视为低维信号，从而保证流形学习方法在字典学习和稀疏表示的信号处理领域中的应用。在Miao Zheng,Jiajun Bu,,Chun Chen,et.al.Graph Regularized Sparse Coding for Image Representation[J].IEEE Transaction on image processing,2011,20(5):1327-1335.发表的文献中表明，将流形学习中的局部线性嵌套（LLE）方法结合稀疏信号处理时，能够有效实现图像的分类和聚类，从一定角度说明流形学习中的局部线性嵌套（LLE）方法能够在图像重构时体现图像内在的局部相关性。

发明内容

本发明的目的是将基于字典学习和信号稀疏表示的K-SVD方法与局部线性嵌套相结合，应用于图像处理领域，实现图像降噪。

本发明的技术方案从以下两方面考虑：①字典学习和信号稀疏表示方面，由于图像信号本身具有一定的结构信息，如图像的轮廓纹理等，因此字典学习的方法能够通过学习获得信号的这种特有结构，使得在该字典上的稀疏系数必是信号结构特征的最大化表现。而图像噪声则一般不具备这种结构，具有较强的随机性。因此通过由在字典上稀疏系数重构的图像对含噪图像的逼近，能够有效地去除噪声。而K-SVD算法则是其中的一种高效、实用的算法，因此本发明以K-SVD算法为框架进行架构。②在流形学习方面，考虑到图像的结构信息会被噪声所污染，且由于原始图像未知，重构图像只能逼近于含噪图像，从而必然导致重构出的图像中存在一部分虚假结构信息。因此利用流形学习算法，强制在图像块的稀疏系数间建立联系，从而有利于突出图像的真实结构信息，并有效抑制虚假结构信息。本发明则通过局部线性嵌套算法实现在图像块的稀疏系数间建立联系。最终，实现一种在K-SVD框架下基局部线性嵌套的图像降噪系统和方法，并取得比传统K-SVD图像降噪方法更优的效果。

本发明的主要技术内容如下：

一种基于K-SVD和局部线性嵌套的图像降噪系统，包括以下模块：采样模块，计算拉普拉斯矩阵L模块，目标函数构造及字典、稀疏系数优化模块，估计图像块获取模块，整体估计图像块获取模块；

含噪图像→采样模块→计算拉普拉斯矩阵L模块→目标函数构造及字典、稀疏系数优化模块→估计图像块获取模块→整体估计图像块获取模块→去噪图像；

所述目标函数构造及字典、稀疏系数优化模块包括整体目标函数构造模块、对各稀疏系数优化模块、对字典D优化模块；

所述对各稀疏系数优化模块包括两部分：稀疏系数目标函数的构造以及稀疏系数的优化；

所述对字典D优化模块包括两部分：字典D的目标函数的构造以及字典D的优化。