欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202310348593X
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种图像去噪方法,其特征在于,主要包括以下步骤:步骤1、采用小波变换的Haar小波基分解含噪图像的高频信息和低频信息;

步骤2、对低频信息的像素点进行局部像素分组处理,采用误差的无偏估计来近似表示局部像素块与目标像素块之间的相似性,获取相似局部像素块的样本集;

步骤3、遍历获取到的每个样本集,依次利用主成分分析算法进行去噪,通过计算协方差矩阵,得到正交变换矩阵,结合特征值矩阵去除样本集中含有少量信息的维度,得到重构的低频分量;

步骤4、将高频信息分解为大小相同的重叠块,计算欧氏距离将相似块构建为组,利用奇异值分解学习每个组的自适应学习字典,通过分裂Bregman迭代算法结合凸优化算法计算稀疏编码,利用稀疏编码和自适应学习字典重构出高频分量;

步骤5、小波反变换对高频分量和低频分量进行聚合得到去噪后的图像。

2.根据权利要求1所述的图像去噪方法,其特征在于:步骤1具体包括以下步骤:利用dwt2函数对图像进行小波变换,选择Haar函数作为小波基,将图像信息分解为高频部分和低频部分,再对高频信息和低频信息分别进行处理。

3.根据权利要求1所述的图像去噪方法,其特征在于,步骤2具体包括以下步骤:步骤21、对图像低频部分选取目标像素块,把以该像素块为中心的 大小矩阵作为训练窗口,从训练窗口中选取 大小的像素块作为局部像素块,利用误差的无偏估计近似表示局部像素块与目标像素块之间的相似性;步骤22、计算 大小矩阵窗口中第个局部像素块与目标像素块之间的均方误差;

步骤23、设定阈值 ,当无噪局部像素块之间的均方误差小于等于所述阈值T时,选取局部像素块样本集 中符合条件的向量。

4.根据权利要求3所述的图像去噪方法,其特征在于:步骤22中,所述均方误差为,其中, , 为中心目标像素块,为其他的含噪局部像素块, 、为对应的无噪局部像素块, 是含噪目标像素块中像素的样本向量,是其他块的样本向量, 和分别是 和 的相关无噪样本向量。

5.根据权利要求1所述的图像去噪方法,其特征在于,步骤3具体包括以下步骤:步骤31、对大小为 的样本集 ,其中 ,

每一行用平均值 进行归一化处理得到 ,计算样本协方差矩阵 ,对协方差矩阵做特征值分解,得到特征值矩阵 与其对应的特征向量矩阵 ,计算正交变换矩阵 ,通过正交线性变换得到新空间下的样本集 ,并存在、 ,

;

步骤32、利用特征值矩阵 计算样本集 中的第k行 的估计值,去除含有少量信息的维度。

6.根据权利要求5所述的图像去噪方法,其特征在于,步骤32中,所述估计值为,其中, 是对应维度样本集中的特征值, 是噪声协方差矩阵的对角分量。

7.根据权利要求1所述的图像去噪方法,其特征在于,步骤4具体包括以下步骤:步骤41、将图像高频分量划分为大小 的n个重叠块,在 训练窗口中,以欧氏距离作为不同块之间的相似性准则搜索c个最佳匹配的块,组成集合 ,将 中的所有块作为列堆叠成大小为 的矩阵,将这些具有相似结构的块矩阵 设置为一组;

步骤42、重复步骤3获得预估值 ,利用奇异值分解从预估值 中学习每个组 的自适应学习字典 ;

步骤43、对 上每个组 进行稀疏编码,寻找对应的稀疏向量 ,使得 ,图像的高频分量由组域中的稀疏编码表示。

8.根据权利要求7所述的图像去噪方法,其特征在于,所述预估值 为,

其中, , 是一个对角矩阵, ,

分别是 和 的列。

9.根据权利要求8所述的图像去噪方法,其特征在于:所述稀疏编码为,

,

其中, 表示所有 的级联, 表示所有 的级联,./表示两个矢量的元素分割,是大小为64×60的单位矩阵, 是从图像x中提取的组 运算符,其转置将组放回重建图像中的第k个位置,并在其他位置填充零。

10.根据权利要求1所述的图像去噪方法,其特征在于,步骤5具体包括以下步骤:利用idwt2函数对图像进行小波反变换,选择Haar函数作为小波基,将图像的高频分量和低频分量聚合获得整幅去噪图像。