一種耦合聚類中心約束項的非局部稀疏表示圖像去噪方法
【技術領域】
[0001]本發(fā)明屬于稀疏表示圖像處理領域，尤其是涉及一種基于類間相關分析的非局部稀疏表示模型，用以實現(xiàn)圖像去噪。
【背景技術】
[0002]在圖像獲取與傳輸過程中，由于系統(tǒng)和環(huán)境等因素影響，所得圖像帶有大量噪聲。實際應用中，圖像去噪可得到高質量圖像，以支撐后續(xù)處理等。理論層次上，圖像去噪方法的研究還與圖像建模理論研究有著密切的聯(lián)系，可為相關圖像處理方法，如圖像去模糊，圖像超分辨率，圖像分割以及圖像特征提取等研究提供新思路。圖像去噪是圖像處理和計算機視覺中經(jīng)久不衰的研究領域。
[0003]圖像去噪常常被視為反問題，由于其自身的不適定性，為獲得理想的去噪結果，圖像先驗知識建模(圖像建模)研究成為了該領域的焦點。主流方法可分大致分為3類:(I)基于梯度的圖像建模；(2)基于非局部相似性的圖像建模；(3)基于變換的圖像建模。目前研究表明基于變換的方法能取得相對較好的圖像去噪結果。
[0004]作為基于變換的一類去噪方法，稀疏表示圖像去噪引起了學者們的廣泛關注。在稀疏表示理論中，字典的設計和字典自身性能是一個關鍵的問題。針對圖像的局部幾何結構，學者們提出了 Curvelet，Contourlet ,Wedgelet，Bandlet等多尺度幾何分析變換方法，這些方法對某些特定類型的圖像結構描述準確，但對復雜圖像通常存在不足，此外這類方法需事先給定稀疏字典，即字典非自適應于圖像內容。為此，設計自適應稀疏表述字典成為了熱點。
[0005]Elad等人較早建立了基于超完備字典的稀疏表示模型。假設信號feRn，它可表示成字典中少量元素的線性組合，即f * Φα，其中，Φ eRnXL(L>n)是一個超完備字典，每一列表示一個信號原子，向量α為只有少部分元素不為零的稀疏編碼，即該模型通過字典中少量元素的線性組合來描述信號。目前，基于稀疏表示研究主要在2個方向:I)基于原子間相關約束的稀疏表不;2)非局部稀疏表不。
[0006]傳統(tǒng)的稀疏表示方法假定自適應字典各原子間相互獨立，而最新研究表明原子間存在一定關聯(lián)，反映了圖像幾何結構。Peleg等利用玻爾茲曼機(Bolzmann Machine，ΒΜ)模型，分析了圖像片內對應原子間(非零稀疏系數(shù)對應的原子)的相關性，增強了圖像的稀疏性表示。基于上述方法，Ren等研究了鄰域圖像塊(相鄰8個方向)原子間的相關性，構造了鄰域相關結構信息的稀疏性先驗模型，取得了較好得去噪結果。Ren方法可視為小窗口內的準非局部稀疏表示方法。
[0007]非局部稀疏表示方法實質是利用圖像非局部建模思想對圖像稀疏性的一種約束。最近，Dong等利用了非局部思想，提出了稀疏編碼噪聲(誤差)的概念，通過相似集中各圖像片的稀疏系數(shù)，估計了當前圖像片理想的稀疏表示，引入了稀疏編碼誤差約束項，提出了一種非局部集中稀疏表示模型。目前非局部稀疏表示模型往往聚類，偏重于對各相似集內稀疏性描述。

【發(fā)明內容】

[0008]為了解決上述問題，本發(fā)明通過提出聚類中心字典學習方法，挖掘各相似集或各類間潛在的稀疏性先驗知識，構建聚類中心約束項，以增強圖像稀疏表示，并聯(lián)合該項與稀疏誤差項，將二者引入于傳統(tǒng)的稀疏表示模型，最終實現(xiàn)圖像去噪。
[0009]本發(fā)明首先提出了聚類中心字典學習方法，其流程圖如圖1所示，包括如下步驟:
[0010]步驟A，用傳統(tǒng)方法稀疏表示聚類中心圖像塊；
[0011 ]步驟B，根據(jù)稀疏表示結果與字典，生成稀疏性模式(稀疏性模式標記了圖像塊對應的稀疏系數(shù)是否為O);
[0012]步驟C，根據(jù)各模塊稀疏性模式與相似塊快速查找表，構造相關性函數(shù)，繼而構造相關性矩陣，其中相似性快速查找表記錄了與當前圖像塊最相似的N個圖像塊；
[0013]步驟D，根據(jù)相關性矩陣構造基于相關分析的稀疏性先驗模型；
[0014]步驟E，建立稀疏性模式先驗分布模型；
[0015]步驟F，利用最大后驗概率估計方法估計稀疏性模式，用以生成新的聚類中心圖像片。
[0016]基于上述聚類中心字典學習方法，本發(fā)明提供了一種耦合聚類中心約束的非局部系數(shù)表示圖像去噪方法，流程圖如圖2所示，包括如下步驟:
[0017]步驟A，對待噪圖像，利用kmeans聚類，產(chǎn)生各類；
[0018]步驟B，構建各類對應的緊致PCA字典；
[0019]步驟C，構造類內圖像片稀疏編碼誤差項；
[0020]步驟D，計算各類中心圖片；
[0021]步驟E，利用聚類中心字典學習，分析類間相關性，得到各聚類中心的稀疏表示；
[0022]步驟F，構造聚類中心誤差項；
[0023]步驟G，耦合聚類中心誤差項，類內稀疏編碼誤差項于傳統(tǒng)稀疏表示模型；
[0024]步驟H，利用梯度下降法求解。
[0025]有益效果:
[0026]與現(xiàn)有技術相比，本發(fā)明能夠有效提升圖像去噪效果，并能夠提高聚類的準確性。
【附圖說明】
[0027]圖1為本發(fā)明流程圖；
[0028]圖2為聚類中心字典學習方法流程圖。
【具體實施方式】
[0029]以下將結合具體實施例對本發(fā)明提供的技術方案進行詳細說明，應理解下述【具體實施方式】僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。
[0030]本發(fā)明通過下述步驟實現(xiàn)耦合聚類中心約束的非局部稀疏表示的圖像去噪，如圖1所示:
[0031]步驟A，對待噪圖像，利用kmeans聚類，產(chǎn)生各類(相似集)；
[0032]步驟B，構建各類對應的緊致PCA字典；
[0033]步驟C，利用Dong等提出的方法構造類內圖像片稀疏編碼誤差項；
[0034]步驟D，計算各類中心圖片；
[0035]步驟E，利用聚類中心字典學習，分析類間相關性，得到各聚類中心的稀疏表示，本步驟具體過程如圖2所示，具體包括以下步驟:
[0036]用傳統(tǒng)方法稀疏表示聚類中心圖像塊；
[0037]根據(jù)稀疏表示結果與字典，生成稀疏性模式(稀疏性模式標記了圖像塊對應的稀疏系數(shù)是否為O);
[0038]根據(jù)各模塊稀疏性模式與相似塊快速查找表，構造相關性函數(shù)，繼而構造相關性矩陣，其中相似性快速查找表記錄了與當前圖像塊最相似的N個圖像塊；
[0039]根據(jù)相關性矩陣構造基于相關分析的稀疏性先驗模型；
[0040]建立稀疏性模式先驗分布模型；
[0041]利用最大后驗概率估計方法估計稀疏性模式，用以生成新的聚類中心圖像片。
[0042]步驟F，構造聚類中心誤差項；
[0043]步驟G，耦合聚類中心誤差項，類內稀疏編碼誤差項于傳統(tǒng)稀疏表示模型；
[0044]步驟H，利用梯度下降法求解。
[0045]采用上述方法處理后的圖像去噪效果好，聚類準確性高。
[0046]本發(fā)明方案所公開的技術手段不僅限于上述實施方式所公開的技術手段，還包括由以上技術特征任意組合所組成的技術方案。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發(fā)明的保護范圍。
【主權項】
1.一種耦合聚類中心約束的非局部稀疏表示圖像去噪方法，其特征在于，包括如下步驟: 步驟A，對待噪圖像，利用kmeans聚類，產(chǎn)生各類； 步驟B，構建各類對應的緊致PCA字典； 步驟C，利用Dong等提出的方法構造類內圖像片稀疏編碼誤差項； 步驟D，計算各類中心圖片； 步驟E，利用聚類中心字典學習，分析類間相關性，得到各聚類中心的稀疏表示: 步驟F，構造聚類中心誤差項； 步驟G，耦合聚類中心誤差項，類內稀疏編碼誤差項于傳統(tǒng)稀疏表示模型； 步驟H，利用梯度下降法求解。2.根據(jù)權利要求1所述的耦合聚類中心約束的非局部稀疏表示圖像去噪方法，其特征在于，所述步驟E包括如下步驟: 用傳統(tǒng)方法稀疏表示聚類中心圖像塊； 根據(jù)稀疏表示結果與字典，生成稀疏性模式； 根據(jù)各模塊稀疏性模式與相似塊快速查找表，構造相關性函數(shù)，繼而構造相關性矩陣，其中相似性快速查找表記錄了與當前圖像塊最相似的N個圖像塊； 根據(jù)相關性矩陣構造基于相關分析的稀疏性先驗模型； 建立稀疏性模式先驗分布模型； 利用最大后驗概率估計方法估計稀疏性模式，用以生成新的聚類中心圖像片。
【專利摘要】本發(fā)明公開了一種耦合聚類中心約束項的非局部稀疏表示圖像去噪方法，包括下述步驟：對待噪圖像，利用kmeans聚類，產(chǎn)生各類；構建各類對應的緊致PCA字典；利用Dong等提出的方法構造類內圖像片稀疏編碼誤差項；計算各類中心圖片；利用聚類中心字典學習，分析類間相關性，得到各聚類中心的稀疏表示：構造聚類中心誤差項；耦合聚類中心誤差項，類內稀疏編碼誤差項于傳統(tǒng)稀疏表示模型；利用梯度下降法求解。本發(fā)明通過提出聚類中心字典學習方法，挖掘各相似集或各類間潛在的稀疏性先驗知識，構建聚類中心約束項，以增強圖像稀疏表示，并聯(lián)合該項與稀疏誤差項，將二者引入于傳統(tǒng)的稀疏表示模型，最終實現(xiàn)圖像去噪。
【IPC分類】G06T5/00, G06K9/62
【公開號】CN105447836
【申請?zhí)枴緾N201511026701
【發(fā)明人】張建偉, 鄭鈺輝, 王順鳳, 陳允杰, 朱節(jié)中
【申請人】南京信息工程大學
【公開日】2016年3月30日
【申請日】2015年12月30日