基于局部相似樣例學習的稀疏去噪方法
【專利摘要】基于局部相似樣例學習的稀疏去噪方法，本發明涉及圖像去噪技術領域，其旨在解決現有技術中構造的字典與待去噪圖像相關度低或所構造字典本身還有噪聲造成去噪能力弱等技術問題。本發明通過構造與待去噪圖像包含對象的相似樣例，包括三維模型和二維圖像；運用這些樣例通過SIFT特征構造特征群Φ；對于輸入的待去噪圖像，通過相似度量在特征群Φ中尋找噪聲圖像相似的特征塊作為構造字典的樣例輸入；在獲得相似樣例之后，由KSVD算法和相似的樣例獲得過完備字典D；通過字典D和正交匹配追蹤算法對噪聲圖像進行稀疏分解與重構；對于重構后圖像塊選擇最相似樣例通過加權平均得到去噪后的圖像。
【專利說明】
基于局部相似樣例學習的稀疏去噪方法
技術領域
[0001] 本發明涉及圖像去噪技術領域，具體涉及基于局部相似樣例學習的稀疏去噪方 法。
【背景技術】
[0002] 現有技術關鍵塊分布并沒有完全覆蓋所有圖像區域，圖像塊與塊之間的間隙也可 能是圖像主要信息的一部分，忽略的信息不僅使得圖像信息不完全而且讓后續步驟中所訓 練完備字典中的原子更偏離無噪聲圖像，從而影響了去噪效果。

【發明內容】

[0003] 針對上述現有技術，本發明目的在于提供，其旨在解決現有技術關鍵點或特征點 的分布區域覆蓋圖像區域不完全，其關鍵塊、特征塊提取方法不能獲得圖像塊與塊之間的 信息且樣例輸入與待去噪圖像相關度低等技術問題。
[0004] 為達到上述目的，本發明采用的技術方案如下：
[0005] 基于局部相似樣例學習的稀疏去噪方法，其步驟包括
[0006] 步驟1、獲取目標對象的三維模型M和目標對象的含噪聲圖像In;
[0007] 步驟2、對三維模型M進行旋轉、縮放和投影，獲取其二維的不同角度投影平面的圖 像集合Ω ;
[0008] 步驟3、提取圖像集合Ω中每一幅圖像的SIFT關鍵塊，并將SIFT關鍵塊取集合作為 SIFT特征群Φ;
[0009] 步驟4、提取含噪聲圖像In的SIFT特征塊，并在SIFT特征群Φ中找出與SIFT特征塊 相匹配的SIFT關鍵塊，再將所有匹配到的SIFT關鍵塊取集合作為相似樣例集合Ψ;
[0010] 步驟5、將相似樣例集合Ψ中的圖像塊按列展開為列向量，再根據列向量獲取樣例 輸入矩陣S，n為集合Ψ所有元素的個數；
[0011] 步驟6、樣例輸入矩陣S作為KSVD算法的樣例輸入，通過迭代學習獲得過完備字典 D；
[0012] 步驟7、將含噪聲圖像In取滑窗，獲得含噪聲圖像塊，再根據正交匹配追蹤算法，在 過完備字典D下，將含噪聲圖像塊進行稀疏分解、重構，得到重構圖像塊；
[0013] 步驟8、將所有重構圖像塊中重疊像素分別求加權平均，得到去噪后圖像G。
[0014] 上述方法中，所述的步驟3,其步驟包括
[0015] 步驟3.1、對圖像集合Ω進行SIFT變換，提取關鍵點，并存儲關鍵點特征描述符和 對應關鍵點位置周圍的圖像塊，共同作為SIFT關鍵塊；
[0016] 步驟3.2、將所有提取的SIFT關鍵塊取集合作為SIFT特征群Φ。
[0017] 上述方法中，所述的步驟4,其步驟包括
[0018] 步驟4.1、對含噪聲圖像In進行SIFT變換，提取特征點，并存儲特征點特征描述符 和對應特征點位置周圍的圖像塊，共同作為SIFT特征塊；
[0019] 步驟4.2、根據SIFT特征塊與SIFT關鍵塊之間的歐氏距離為最小值，判斷出SIFT特 征塊與SIFT關鍵塊相匹配；
[0020] 步驟4.3、將所有匹配的SIFT關鍵塊取集合作為相似樣例集合Ψ。
[0021 ]上述方法中，所述的步驟4.2,其歐式距離公式如下：
[0022]
[0023]其中，msj為含噪聲圖像In中第j個SIFT特征塊，其中包含有特征點特征描述符f sj和 特征圖像塊bsj;mxy為圖像集合Ω中第y個SIFT關鍵塊，其中包含有關鍵點特征描述符f xy和 關鍵圖像塊bxy;mean(b)為一個圖像塊所有像素的平均值函數。
[0024] 上述方法中，所述的步驟4.2,其中，最小值為預設閾值，滿足小于該預設閾值的前 260000/C個SIFT關鍵塊作為相似樣例集合Ψ，(：為含噪聲圖像I n*SIFT特征塊個數。
[0025] 與現有技術相比，本發明的有益效果：
[0026] 利用了圖像中線條、邊緣、角點、圓弧等在局部擁有相似的像素表現形式，并使用 了 SIFT特征，尋找與噪聲圖像局部圖像塊相似的塊作為過完備字典學習的樣例輸入，增加 了樣例與待去噪圖像的相關度，使得學習獲取的字典最大可能的只包含有用信息，且字典 中的原子更接近無噪聲圖像。
【附圖說明】
[0027] 圖1為本發明的基于局部相似樣例學習的稀疏去噪算法框架；
[0028]圖2為多分辨金字塔示意圖；
[0029]圖3為高斯金字塔與DOG金字塔；
[0030]圖4為DOG極值點的計算；
[0031 ]圖5為部分圖像塊在SIFT特征群Φ中的相似塊；
[0032]圖6為噪聲圖像的關鍵塊，（a)原圖，（b)噪聲圖，（C)Sift關鍵點，（d)關鍵塊；
[0033]圖7為第一組人造衛星圖像實驗結果；
[0034]圖8為第一組人造衛星圖像實驗結果PSNR;
[0035]圖9為第二組人造衛星圖像實驗結果；
[0036]圖10為第二組人造衛星圖像實驗結果PSNR;
[0037] 圖11為左DCT字典，右全局字典；
[0038]圖12為學習獲取的字典；（a) (c)自適應字典；（b) (d)本章算法的字典；
[0039]圖13為第一組人造衛星圖像的去噪結果，（a)-(l)依次是噪聲圖像、原始圖像、DCT 字典去噪結果、全局字典去噪結果、本章算法的去噪結果；
[0040] 圖14為第二組人造衛星圖像去噪結果，（a)-(l)依次是噪聲圖像、原始圖像、DCT字 典去噪結果、全局字典去噪結果、本章算法的去噪結果。
【具體實施方式】
[0041] 本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥 的特征和/或步驟以外，均可以以任何方式組合。
[0042]下面結合附圖對本發明做進一步說明：
[0043] 實施例1
[0044]本申請節主要研究了稀疏去噪與SIFT特征。在SIFT特征基礎上構造學習樣例，并 提出了一種基于局部相似樣例學習的稀疏去噪算法。
[0045]以人造衛星圖片作為實驗數據進行實驗驗證，建立SIFT圖像特征群。人造衛星的 外觀基本都有相似的結構和外觀，而且很多衛星的三維模型都是已知的。例如大部分的人 造衛星都有太陽能電池帆板、通信天線等。圖1給出是本申請算法的整個框架。
[0046] SIFT 特征：
[0047] 圖像的局部特征可以用一定的數據進行描述，在圖像上表現出獨特性、有別于其 周圍其他部分。一般局部特征都具備可重復性、可區分性、準確性、不變性、數量及效率。可 重復性是指某個局部特征可以在多幅圖像中同時存在，可區分性是指同一幅圖像中的兩個 局部特征具有不同的描述，準確性是指局部特征的描述要巧當合適，不變性是指對于某個 局部特征的描述不會因為描述的時間、位置不同而得到不同的描述，除了這些因素外數量 和效率也決定了對局部特征的某個描述是否可行，如果數量和效率不滿足實際要求，不能 夠解決實際問題，那么這個局部特征是沒有任何意義的。
[0048] SIFT特征不僅具有尺度不變性，其對旋轉、亮度變化、拍攝視角也能保持一定程度 的穩定性。對于信息量豐富的海量特征數據庫依然可以有快速、準確的匹配，即使少數的幾 個物體也可以產生大量的SIFT特征向量，很容易辨識物體而且鮮有誤認，經優化的SIFT匹 配算法甚至可以達到實時的要求，可以很方便的與其他形式的特征向量進行聯合。其應用 范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和 動作比對。
[0049] 圖像在尺度空間中隨著尺度的增大其模糊程度隨著變化，大的尺度對應圖像的總 體輪廓特征，小尺度則對應圖像的局部細節特征。為了構建圖像的尺度空間，尺度空間理論 引入尺度的參數。
[0050] 多尺度理論已經證明，高斯卷積核是唯一可以產生多尺度空間的線性核，于是圖 像的尺度空間可以定義為：
[0051] L(x,y,5)=G(x,y,5)*I(x,y) (1)
[0052] G(x, y, δ ) = -e-(χ2 行2於 s 2 (2) 2 ττ δ
[0053] 其中G(x，yJ)是二維高斯核函數，δ是圖像的尺度，I(x，y)表示二維的圖像。L(x， y，S)是圖像在尺度為δ時的二維表示。
[0054] 在獲取了有效的尺度空間之后，可以通過構建DOG(Difference Of Gaussian)高 斯差分尺度空間的方式，檢測圖像在尺度空間的局部極值點，之所以構造DOG空間是因為在 DOG空間檢測極值點可以提高的計算效率，DOG空間與多尺度空間的關系可以用下面的公式 描述：
[0055] D(x,y,5)=L(x,y,k5)-L(x,y,5) (3)
[0056] D(x,y,5)=G(x,y,k5)*I(x,y)-G(x,y,5)*I(x,y) (4)
[0057] 圖像的多分辨率：
[0058]多分辨率理論主要研究的是在多種分辨率下對信號進行分析和表示，其最明顯 的優點就是，可以發現信號在某一特定分辨率下的特性，而這種特性在其他分辨率下可能 不存在。1987年，小波分析的出現將信號分析推向了新的發展階段，從數學的角度分析了圖 像的多分辨率，是圖像多分辨分析有了理論基礎。
[0059] 由與金字塔的結構可以簡單有效地表示圖像的多分辨，所以在早期機器視覺和圖 像壓縮領域大多使用金字塔的形式表示圖像的多分辨，圖像的金字塔是一組不同分辨率圖 像按金字塔形狀自下而上堆砌而成，從塔的最底部向上圖像的分辨率和尺寸依次減小，在 塔的最頂部圖像辨率和尺寸最小。假設最底層的圖像尺寸大小為2 nX2n，中間層j的尺寸大 小為23\23其中0<_]_<11。一幅圖像完整的多分辨金字塔由11+1個分辨率組成，在實際應用中 通常只取P+1級，其中j =n-P，…，n-2，n-l，n，且KP<n。圖2簡單顯不了如何建立一副圖像 的多分辨金字塔。
[0060] 圖像的多尺度與多分辨率是有本質區別的，圖像的尺度空間是客觀存在的，通過 將圖像與不同的高斯核卷積可以得到不同尺度下的圖像，在所有尺度上圖像的分辨率是一 樣的，一個尺度下的圖像可以有多幅不同分辨率的副本。圖像的多分辨則是由圖像下采樣 得到，層與層之間的分辨率有固定的比例關系，優點是多分辨金字塔生成快，占用存儲空間 少。與多分辨相比多尺度的優勢在于有完整的理論基礎，不同尺度上的局部特征表示形式 相對簡單，雖然多尺度在各方面具有其獨特的優勢，但是隨著尺度的增加冗余信息也會增 多。
[0061 ] 提取SIFT特征：
[0062]高斯金字塔結合了多分辨與多尺度的優點，在多分辨率金字塔基礎上引入了多尺 度，通過使用不同尺度σ的高斯核進行對多分辨金字塔每層圖像卷積，獲得多張不同尺度的 圖像，因此每層金字塔包含了多張不同尺度的圖像。金字塔每層多張不同尺度的圖像合在 一起構成高斯金字塔的一組，每組有多張圖像。如圖3所示，構建高斯金字塔之后，在每一組 中用相鄰圖像相減構造 DOG金字塔。高斯尺金字塔中每組有五層不同尺度的圖像，相鄰兩層 相減得到四層DOG金字塔。為了構造均勻變化的尺度空間序列，下采樣時金字塔每一組圖像 中最底部的第一張圖像通過前一組圖像倒數第三張圖像將采樣得到。
[0063]如圖4所示，SIFT的關鍵點就是四層DOG圖像上的局部極值點，在尋找DOG極值點 時，每一個像素點要和周圍相鄰點比較，比較的范圍是個3X3的立方體，中間的待檢測點 和它周圍8個相鄰點，以及同一組中上下相鄰尺度圖像中對應的9個點，一共26個點比較，如 果檢測點的值最小或最大，那么這個點就是DOG空間的一個極值點。
[0064] 檢測到關鍵點之后需要生成描述符，為了使描述符具有旋轉不變性，統計關鍵點 在尺度空間鄰域內所有像素在八個方向上的梯度直方圖，以直方圖的峰值所對應方向作為 描述符的方向，Lowe建議對每個關鍵點使用4 X 4個4 X 4的子窗口的梯度直方圖獲取描述 符，每個子窗口都計算8個方向的梯度直方圖，因此每個描述符共有4 X 4 X 8 = 128維。對于 在DOG金字塔中檢測出的關鍵點，用F表示一幅圖像I的SIFT描述符，對于每一個特征描述符 fj eF可以表不為
[0065] fj = Vj,lj,Sj,〇j} (5)
[0066] Vj是第j個關鍵點在lj = Xj，yj)位置處的128維向量描述符，Sj是尺度的取值，〇j是 方向的取值。
[0067]局部相似樣例的獲取：
[0068] satellite Tool Kit是由Analytical Graphics公司開發的一款在航天工業領域 中處于絕對領先地位的商品化分析軟件。使用STK的三維人造衛星模型產生多姿態多角度 的樣例圖像數據集Ω。
[0069] 建立SIFT特征群：
[0070] 對于樣例圖像數據集Ω中的每一幅圖像I1通過SIFT變換提取所有關鍵點位置并 存儲其特征描述符f i和對應位置周圍8*8的圖像塊bi。將f i，bi結合起來記作πη。
[0071] 在本申請稱M1為圖像I1的所有SIFT特征集，對于特征集中的每個元素稱作 特征塊，記作
[0072] mij = bij ,fij} (6)
[0073] fijeF^bijGBi分別代表圖像樣例數據集Ω中第i幅圖像Ii的第j個關鍵點的SIFT 特征描述符和關鍵點周圍8 X 8的圖像塊。
[0074] 于是將樣例圖像數據集Ω經過SIFT轉換得到了特征群Φ，可以用下式表示
[0075] Φ =mii，mi2...mij...m2i，m22...m2k...mmi，mm2...mrnn···} (7)
[0076] 其中 j^：0，k^0，m^0，n^0。
[0077] 局部相似樣例的獲取：
[0078] 在建立好特征群集合Φ后，接下來便是在特征群集合Φ中找出與噪聲圖像Is特征 ±夬!1^ eMs相似的特征塊n/ sj e Φ。在本申請節中的算法采用歐氏距離最近的方法尋找相似 的特征塊。
[0079]根據歐氏距離的定義，定義兩個特征塊之間的距離為
[0080]
(g)
[0081] mean(b)表示對圖像塊b所有像素值求平均值，對于Is的第j特征塊m sj在特征群集 合里按照上式的定義選取與噪聲圖像特征塊距離相近的前260000/C個特征塊，C表示噪聲 圖像特征塊的個數。于是可以獲得約260000的特征塊，對于其中的每一個特征塊m/ = bV，fV}取bj放入相似樣例數據集Φ沖。由此得到了包含了約26000個相似樣例的數據 集Φ*。
[0082] 學習樣例的處理：
[0083] 為了使得學習樣例既包含關鍵塊的信息，又包含不是關鍵塊的平滑區域的信息， 圖6展示了噪聲圖像的關鍵塊檢測結果，通過觀察可以發現，關鍵塊的分布并沒有完全覆蓋 所有的區域，塊與塊之間的間隙也可能是圖像主要信息的一部分，由于在噪聲圖像中不是 關鍵塊的區域也含有信息量，所以對噪聲圖像進行8X8滑窗取塊處理，并將滑塊后得到的 圖像塊也添加到相似樣例的數據集中。由于將噪聲圖像加入學習樣例中可以通過學習 得到含有噪聲圖像塊與不含噪聲圖像塊所共有的信息，也就是不含噪聲的部分，所以通過 稀疏分解、重構可以有效地把噪聲去除。將獲取的相似樣例數據集Φ1 乍為通過KSVD算法的 學習樣例輸入，通過迭代求解獲得過完備字典D，然后使用過完備字典D和OMP算法對噪聲圖 像進行稀疏分解、重構還原得到去噪后圖像In*。
[0084] 算法描述：
[0085]基于局部相似樣例學習的稀疏去噪算法框架描述如下：
[0086]輸入:人造衛星三維模型M，含噪聲的人造衛星圖像In
[0087]過程:執行⑴、⑵、（3)、（4)
[0088] (I)、對M進行旋轉、縮放、投影獲取多姿態多角度的二維圖像集合Ω ;
[0089] (2)、對圖像集合Ω中每一幅圖像提取SIFT關鍵塊并放入SIFT特征群Φ中；
[0090] (3)、提取噪聲圖像的SIFT特征塊并在SIFT特征群Φ中尋找相似的特征塊，將所有 匹配到的SIFT特征塊放進入相似樣例集合Ψ中；
[0091 ] (4)、相似樣例集合Ψ中的8 X 8圖像塊按列展開為列向量，獲取一個64 X η的樣例 輸入矩陣S，n為集合Ψ所有元素的個數；
[0092] (5 )、矩陣S作為KSVD算的樣例輸入，通過迭代學習獲得過完備字典D;
[0093] (6)、對噪聲圖像滑窗取8X8的圖像塊，使用字典D和OMP算法進行稀疏分解與重 構；
[0094] (7)、將步驟(6)中所有重構圖像塊中重疊的像素求加權平均，得到去噪后圖像G
[0095] 輸出：去噪后圖像:?;
[0096]實驗結果及分析：
[0097]為了客觀評價去噪效果選取兩個不同的人造衛星，分別人為的給原始人造衛星圖 像添加四種強度的高斯白噪聲，噪聲強度Sigma取值分別為10、20、40、80，獲得兩組實驗數 據。然后計算其峰值信噪比并作為評價去噪效果的客觀指標。這里本申請算法采用的字典 大小都取64 X 256。
[0098]如圖7顯示四種算法在第一組試驗數據上的去噪結果，圖7的縱軸表示PSNR值，橫 軸表示噪聲強度Sigma值，是本申請算法的實驗結果，從圖7可以明顯的看出本申請算法在 PSNR上獲得了較高的指標，其他三種算法在實驗結果上都比較接近。
[0099] 圖8給出了四種算法在第一組試驗數據上的具體PSNR值，通過比較圖8的PSNR值可 以看出，隨著噪聲強度Sigma由10增長到80,噪聲圖像的PSNR由30.8841減小到13.0110,四 種算法的去噪效果都隨著下降，在Sigma取80時與Sigma取10時相比的算法PSNR由 43.9184dB降至28.5207總共降低了 15.3977dB，自適應字典由35.8339dB降至 17.9582dB，共 降低了 17.9154dB，全局字典由35.8339dB降至17.9582dB,共降低了 17.9154dB，DCT字典由 35.6968dB降至17.9169，共降低了17.7799(^比較結果證明四種方法中自適應字典對噪聲 最為敏感，其他的依次為DCT字典、全局字典、本申請算法獲取的字典。由圖8的去噪結果可 以得出，自適應字典優于全局字典，全局字典優于DCT字典，自適應字典對噪聲強度最為敏 感。實驗結果證明了本申請方法的優越性。
[0100] 如圖9顯示四種算法在第二組試驗數據上的去噪結果，縱軸表示PSNR值，橫軸表示 噪聲強度Sigma值，從圖9可以再次驗證由圖8分析得出的結論，隨著噪聲強度的增加四種方 法去噪后的PSNR都逐漸下降，而本申請算法的下降趨勢最緩，說明本申請算法與其他三種 相比，對噪聲強度最不敏感。
[0101]圖10給出了四種算法在第二組試驗數據上的具體PSNR值，當噪聲強度Sigma由10 增長到80,噪聲圖像的PSNR由30.6770減小到12.9459,與去噪前的噪聲圖像PSNR相比本申 請算法的去噪結果將PSNR依次提高了8.4920dB、10.2972dB、12.7467dB、13.6748dB，自適應 字典依次提高了4.0803dB、4.5734dB、4.9505dB、4.9393dB，全局字典依次提高了3.873dB、 4.5114(18、4.9337(18、4.9369(18,0(：1'字典依次提高了3.9444(18、4.4075(18、4.8302(18、 4.9174dB。與其他三種方法比較發現，隨著噪聲強度增加本申請所提出的算法提高的PSNR 幅度會有所增長，而其他三種方法則相對平穩。
[0102] 圖11顯示了本申請實驗所使用的DCT字典和全局字典，左側是DCT字典，右側是中 的全局字典，第一組實驗數據和第二組實驗數據使用相同的DCT字典和全局字典。
[0103] 圖12顯示了在噪聲強度Sigma = 40時第一組和第二組試驗數據通過噪聲圖像學習 獲取的自適應字典和通過相似樣例學習獲取的字典，其中（a)、（b)為第一組試驗數據的字 典，（c)、（d)為第二組實驗數據的字典，左側一列是自適應字典，右側一列是本申請算法的 字典。通過觀察可以從視覺上直觀地發現自適應字典(a)，（c)中很多原子都包含了噪聲，給 人一種雜亂無章的感覺，而本申請算法獲取的字典原子則比較干凈。這里再次反映了自適 應字典對噪聲敏感的原因。字典原子的好壞決定了去噪結果，這是因為如果字典中的原子 不含噪聲，那么在稀疏分解時，噪聲在稀疏度約束下只有極少部分可以投影到字典的某些 原子上，因此大部分噪聲在稀疏分解時被當做殘差舍去了。
[0104] 圖13和圖14分顯示了第一組和第二組實驗數據的去噪結果，為了顯示結果的細節 放大了圖中的紅色矩形區域。（a)、（b)是原始圖像，（c)、（d)是人為添加噪聲強度sigma = 40 的高斯白噪聲后的噪聲圖像，（e)、（f)是DCT字典的去噪結果，（g)、(h)是全局字典的去噪結 果，是自適應字典結果，（k)、（1)本申請算法的去噪結果。從圖13和14中可以看出， 紅色矩形標識的區域在視覺效果上本申請的算法也優于其他算法，尤其是對于背景全黑的 區域本申請算法去噪效果明顯好于其他三種字典。通過觀察細節可以發現，DCT和全局字典 的去噪結果給人以模糊和邊緣錯亂的假象，視覺效果很低，雖然使用自適應字典得了清晰 地邊緣，但是受到噪聲的影響整幅圖像的能量向高灰度值發生了偏移，對比度發生了變化。 從視覺效果上分析，對于背景部分的去噪本申請算法獲得的視覺效果遠遠好DCT、全局、自 適應字典。
[0105] 在圖13中，對于豎向的條紋本申請算法的去噪效果和自適應字典很接近，但是在 斜型的條紋處本申請算法好于自適應字典。在圖14中同樣可以清晰的發現，與其他三種字 典的去噪方法相比，對于紅色方框區域內成矩陣形狀排列的小正方形邊緣，本申請算法獲 得了較為清晰的邊緣。
[0106] 本申請詳細介紹了所提出的基于局部相似樣例學習的稀疏去噪算法框架，為了檢 驗算法的有效性、優越性，選取了兩組人造衛星圖像作為去噪實驗數據，并將實驗結果與流 行的DCT字典、KSVD全局字典及KSVD自適應字典做了對比。通過對實驗結果的比較與分析發 現本申請提出的算法不僅在客觀指標PSNR上獲得了優勢，在視覺效果上也優于其他字典的 去噪效果。本申請提出的方法有效的改善了學習獲取的字典與噪聲圖像的相關度，提升了 去噪圖像的信噪比。分析其中的原理不難理解，全為局字典和DCT字典都為固定字典，但總 體上全局字典好于DCT字典，這是因為全局字典是由大量的自然圖像學習得到的，字典的元 素反映了自然圖像所共有的結構特征，相反DCT字典是由數學方法構造而成，字典原子只能 反映特定的可以用數學描述的結構特征。自適應字典優于全局字典是因為與全局字典相比 自適應字典的原子不僅能反映自然圖像共有的結構特征，而且還能反映圖像自身特有的結 構特征。自適應字典對噪聲敏感，則是因為當噪聲強度過大時，圖像自身的結構信息有所破 壞，學習的字典原子不可避免地受到噪聲影響。
[0107] 技術的進步只是選用標準的參考。但是出于改劣發明，或者成本考量，僅僅從實用 性的技術方案選擇。以上所述，僅為本發明的【具體實施方式】，但本發明的保護范圍并不局限 于此，任何屬于本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到的變化或
【主權項】
1. 基于局部相似樣例學習的稀疏去噪方法，其特征在于，步驟包括 步驟1、獲取目標對象的三維模型Μ和目標對象的含噪聲圖像In; 步驟2、對三維模型Μ進行旋轉、縮放和投影，獲取其二維的不同角度、不同尺度投影平 面的圖像集合Ω; 步驟3、提取圖像集合Ω中每一幅圖像的SIFT關鍵塊，并將SIFT關鍵塊取集合作為SIFT 特征群Φ ; 步驟4、提取含噪聲圖像In的SIFT特征塊，并在SIFT特征群Φ中找出與SIFT特征塊相匹 配的SIFT關鍵塊，再將所有匹配到的SIFT關鍵塊取集合作為相似樣例集合Ψ; 步驟5、將相似樣例集合Ψ中的圖像塊按列展開為列向量，再根據列向量獲取樣例輸入 矩陣S; 步驟6、樣例輸入矩陣S作為KSVD算法的樣例輸入，通過迭代學習獲得過完備字典D; 步驟7、將含噪聲圖像In取滑窗，獲得含噪聲圖像塊，再根據正交匹配追蹤算法，在過完 備字典D下，將含噪聲圖像塊進行稀疏分解、重構，得到重構圖像塊； 步驟8、將所有重構圖像塊中重疊像素分別求加權平均，得到去噪后圖像1心2. 根據權利要求1所述的基于局部相似樣例學習的稀疏去噪方法，其特征在于，所述的 步驟3,其步驟包括 步驟3.1、對圖像集合Ω進行SIFT變換，提取關鍵點，并存儲關鍵點特征描述符和對應 關鍵點位置周圍的圖像塊，共同作為SIFT關鍵塊； 步驟3.2、將所有提取的SIFT關鍵塊取集合作為SIFT特征群Φ。3. 根據權利要求1所述的基于局部相似樣例學習的稀疏去噪方法，其特征在于，所述的 步驟4,其步驟包括 步驟4.1、對含噪聲圖像In進行SIFT變換，提取特征點，并存儲特征點特征描述符和對應 特征點位置周圍的圖像塊，共同作為SIFT特征塊； 步驟4.2、根據SIFT特征塊與SIFT關鍵塊之間的歐氏距離為最小值，判斷出SIFT特征塊 與SIFT關鍵塊相匹配； 步驟4.3、將所有匹配的SIFT關鍵塊取集合作為相似樣例集合Ψ。4. 根據權利要求3所述的基于局部相似樣例學習的稀疏去噪方法，其特征在于，所述的 步驟4.2，其歐式距離公式如下：其中，msj為含噪聲圖像In中第j個SIFT特征塊，其中包含有特征點特征描述符fsj和特征 圖像塊bsj;mxy為圖像集合Ω中第y個SIFT關鍵塊，其中包含有關鍵點特征描述符f xy和關鍵 圖像塊bxy; mean (b)為一個圖像塊所有像素的平均值函數。5. 根據權利要求4所述的基于局部相似樣例學習的稀疏去噪方法，其特征在于，所述的 步驟4.2,其中，最小值為預設閾值，滿足小于該預設閾值的前260000/C個SIFT關鍵塊作為 相似樣例集合Ψ，C為含噪聲圖像I n*SIFT特征塊個數。
【文檔編號】G06T5/00GK106056551SQ201610365171
【公開日】2016年10月26日
【申請日】2016年5月27日
【發明人】高志升, 謝春芝, 胡占強, 裴崢
【申請人】西華大學