1.一种基于稀疏误差约束表示的野生动物图像去噪方法,其特征是步骤包括:
1)对野生动物图像的原图像进行二维离散余弦2D‑DCT变换;再对变换后的DCT系数进行量化;最后通过Zigzag排序得到低频图像;用原图像减去低频图像得到高频图像;
2)对高频图像进行降噪处理;
3)低频图像与降噪后的高频图像融合后得到降噪后的野生动物图像;
所述步骤2)中,对高频图像进行降噪处理的步骤为:
2.1)对高频图像:构建高频图像的初始结构化字典;然后固定初始字典,求得高频图像的稀疏系数;
2.2)对高频图像:进行多尺度变化,得到高频多尺度图;接着构建高频多尺度图初始化结构字典;然后固定初始字典,求得高频多尺度图的结构化稀疏系数;
2.3)通过高频图像的稀疏系数以及高频多尺度图的结构化稀疏系数,构建稀疏误差约束表示模型;
2.4)运用PALM算法(近似交替线性化极小化算法)对字典以及稀疏系数进行更新,得到降噪后的高频图像。
2.根据权利要求1所述的基于稀疏误差约束表示的野生动物图像去噪方法,其特征是所述步骤1)的步骤包括:
1.1)将原图像分块成8×8或者16×16的小块;然后对分割后的每个小图像块进行DCT变换,并对DCT变换后的系数量化;量化过程是把频率领域上DCT变换系数除以量化的步长,然后取整;
1.2)用Zig‑zag方法对量化系数进行排序;
1.3)选取DCT的前N1×N2/64为低频系数构建低频图像,通过原图像减去低频图像得到高频图像;N1×N2为原始图像像素的尺寸。
3.根据权利要求1所述的基于稀疏误差约束表示的野生动物图像去噪方法,其特征是所述步骤2.1)中:
对野生动物的高频图像稀疏表示问题用l1、l0正则化约束表示,如式(1):其中,MHy为高频图像结构稀疏模型选择的最优稀疏系数,Yi代表野生动物高频图片的样本集,||·||F为F的范数,||·||1为1范数, 为高频图像的结构稀疏模型的初始字典,MHi为高频图像的稀疏系数, 为高频图像结构化稀疏模型选择的字典,λ为大于0的正则化参数。
4.根据权利要求3所述的基于稀疏误差约束表示的野生动物图像去噪方法,其特征是所述步骤2.2)中:
野生动物的高频多尺度图像稀疏表示问题用l1、l0正则化约束表示,写成式(2):其中NHy是高频图像的多尺度结构稀疏模型图像最优稀疏系数,NHi表示高频多尺度图像稀疏系数,||·||F为F的范数,||·||1为1范数, 为高频多尺度图像的结构稀疏模型的初始字典,Xi野生动物高频多尺度图像样本集, 为高频多尺度图像结构化稀疏模型选择的字典,λ为大于0的正则化参数。
5.根据权利要求4所述的基于稀疏误差约束表示的野生动物图像去噪方法,其特征是所述步骤2.3)中:
稀疏误差约束表示模型构建:
高频多尺度图像NH的稀疏系数与高频图像MH的稀疏系数之间的误差越小越好,设稀疏系数误差R如式(3):
R=MH‑NH (3)采用lp‑l1范数(0<p<1)去除混合噪声,以求解最优稀疏系数的已得到的最优值来提高降噪性能,结合公式(2)和公式(3)得到如式(4):其中, 为范数p,λi为正则化参数;
去噪模型的非凸函数求解:
p范数是非凸的目标函数,使用黎曼共轭梯度式极小化对目标函数进行过程求解,其公式表示为式(5):
其中,hμ为黎曼共轭梯度,μ>0且μ为一个平滑参数,X表示维数为m×d的矩阵,xij为矩阵X的元素;
‑5 ‑1
固定μ=0.01,将p从0.01变化至0.99,或者固定p=0.5,将μ从e 变化至e ,的函数曲线都近似于 因此,用 近似代替 公式(4)中的公式(4)用式(6)表示:
其中,hμ为黎曼共轭梯度,Im表示单位矩阵。
6.根据权利要求5所述的基于稀疏误差约束表示的野生动物图像去噪方法,其特征是所述步骤2.4)中:
对于任意i∈[I],MHi的更新方法如式(7):式(8)中的i和式(1)中i意义相同;
使用近端映射表示法得到如式(8):其中, 为可导符号,MHi表示结构化高频稀疏系数;hμ的含义同式(6);
PALM是通过每个子问题的近似线性化得到的近似值来代替,即迭代中使用近似参数γ1>1,令ci=γ1L1(MDi+1),L1(MDi+1)是MDi+1有梯度的连续可微函数,可得到MHi+1,如式(9):其中, 为可导符号,f为扩展值;
同理,近似参数γ2>1,令di=γ2L2(MHi+1),L2(MHi+1)代表MHi+1梯度连续可微函数,用式(10)计算MDi+1:
其中, 为可导符号,g为扩展值;
{(MHi,MDi)}停止更新的条件是 同时其中 为(MHi,MDi)的偏导, 可分别用式(11)和式(12)计算: