论文部分内容阅读
图像是人们获取信息的主要来源。然而由于成像设备及条件的限制，图像在采集和传输过程中会不可避免地受到噪声的污染。噪声会降低图像质量，直接影响到后期的诸如图像分割，目标检测和识别等处理过程。因此，去除图像中的噪声十分必要。非局部均值滤波利用图像的冗余信息，用相似点进行加权平均，取得了很好的去噪效果。同时近年来提出的稀疏表示理论已成为图像处理领域研究的热点，并被很好的应用于图像去噪。KSVD等算法正是在这样的背景下被提出的，取得了较好去噪效果。本文以这些方法为研究基础，将非局部思想和稀疏表示理论用于非均匀高斯噪声去噪和SAR图像降斑。主要工作包括如下三个方面：(1)提出了一种噪声混合模型和非均匀噪声分离算法。首先基于该模型从理论上分析了将非均匀高斯噪声分离成均匀部分和非均匀部分的可行性；然后提出一种基于两步稀疏编码的噪声分离算法。实验结果验证了其有效性。(2)提出一种基于两步稀疏编码的字典学习算法用于非均匀噪声抑制，简称为TSSC。TSSC算法能够在非对数域对非均匀噪声污染的图像进行稀疏表示和字典学习。所得到的字典含有较丰富的结构，能够有效的去除非均匀噪声。将TSSC算法推广到实际的SAR图像，与现有算法的大量对比实验证明了该算法的有效性。(3)提出了一种基于非局部TSSC的SAR图像去斑算法。该算法基于非局部稀疏模型的思想，提出将TSSC和加权SOMP相结合，从相似集合中学习字典。相比PPB和TSSC等算法，该算法的性能有了很大的改进，在噪声抑制和细节保持上获得较好的性能。本论文的工作得到了教育部长江学者和创新团队支持计划（IRT0645）以及中央高校基本科研业务费专项资金(JY10000902032)的资助。