摘要
基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理.本文提出一种超完备字典学习算法并应用于图像去噪.将字典学习等价于一个二次规划问题,并提出适合于大规模运算的投影梯度算法.学习所得字典能有效描述图像特征.基于此超完备学习字典,获得图像的稀疏表示,并恢复原始图像.实验结果表明,与小波类去噪方法相比,本文的学习算法能更好地去除图像噪声,保留图像细节信息,获得更高的PSNR值.
Images＇ sparse representations over over-complete dictionaries have a wide application in image processing due to the properties of sparsity,integrity and separability.This paper proposes a dictionary learning algorithm which is applied to image de-noising.The dictionary learning problem is expressed as a box-constrained quadratic program and a fast projected gradient method is introduced to solve it.The learned dictionary describes the image content effectively.Experimental results show that：in comparison with the wavelet-based de-noising methods,our learning-based algorithm has better de-noising ability,keep more detail image information and improve the peak signal-to-noise ratio.
出处
《电子学报》
EI
CAS
CSCD
北大核心
2009年第2期347-350,共4页
Acta Electronica Sinica
基金
国家自然科学基金(No.60675016
No.60633030)
国家973重点基础研究发展规划项目(No.2006CB303104)
国家自然科学基金
广东省政府联合资助重点项目(No.U0835005)
关键词
稀疏表示
基追踪
匹配追踪
字典学习
二次规划
sparse representation
basis pursuit
matching pursuit
dictionary learning
quadratic program
作者简介
蔡泽民 男，1980年生于广东汕头．博士研究生．2000年到2004年在广州中山大学攻读信息与计算科学专业．研究兴趣包括数字图像处理，模式识别，机器学习与计算机视觉．Email：caizemin@mail2．sysu．edu．cn
赖剑煌 男，1964年生于海南东方县，中山大学信息科学与技术学院教授、博士生导师．现任广东省图像图形学会副理事长、秘书长，中国图象图形学会常务理事．1989年获中山大学应用数学硕士学位．1999年获中山大学基础数学博士学位．主要研究方向为数字图像处理、模式识别、机器学习、小波分析及其应用．通信作者：Email：stsljh@mail．sysu．edu．cn
