首页 > 其他分享 >m基于KSVD字典训练法的图像噪声滤波matlab仿真,对比图像中值滤波,ACWMF滤波,DWMR滤波以及rold滤波

m基于KSVD字典训练法的图像噪声滤波matlab仿真,对比图像中值滤波,ACWMF滤波,DWMR滤波以及rold滤波

时间:2023-03-19 23:05:30浏览次数:56  
标签:KSVD end iterNum Dictionary 滤波 图像 字典

1.算法描述 K-SVD算法是一种新型的字典训练法,其基本原理是基于K-SVD算法改进所得到的,其主要过程是字典的训练过程,其具有非常好的自适应性能。该算法的整体流程图如下图所示:

1.png

   基于KSVD字典学习的图像去噪方法,其可以克服冲击噪声中纹理细节丢失,图像突变干扰等影响因素。该算法的核心内容为设置字典D为DCT字典,然后采用KSVD算法对字典D的原子和相应系数矩阵进行更新,将更新后的D、相应系数矩阵和代入原始图像的估计公式,得到含噪图像的去噪结果。

 从线性组合的角度来看,K-SVD训练算法的稀疏模型可表示为:

2.png

   那么,K-SVD算法的基本原理为在一组基下,获得信号y的一个近似稀疏表示x,且x满足尽可能好的恢复信号x。其中公式的计算过程是一个迭代过程,当字典D固定的时候,通过OMP正交匹配追踪算法找到字典D上Y的稀疏表示的稀疏矩阵D,然后再根据系数矩阵X找到更好的字典D。    

3.png4.png5.png

2.仿真效果预览 matlab2022a仿真结果如下: 6.png7.png

     对不同噪声密度的冲击噪声干扰的图像进行滤波测试,这里分别设置脉冲噪声密度nl大小为0.1,0.4,0.7,对测试后图像进行质量评价,评价函数分别采用峰值信噪比(Peak Signal to Noise Ratio,PSNR)和图像相似度(structural similarity,SSIM),其中PSNR计算公式如下:

8.png

其中Peak就是指8bits(n=8)表示法的最大值255。MSE指Mean Square Error。PSNR的单位为dB。所以PSNR值越大,就代表失真越少。

SSIM计算公式如下:

9.png

当两张影像其中一张为无失真影像,另一张为失真后的影像,二者的结构相似性可以看成是失真影像的影像品质衡量指标。 

10.png11.png

      从上述仿真结果可知,随着噪声密度的增加,测试图像的滤波图像质量逐渐降低,当噪声密度为0.1的时候,滤波后的图像,其PSNR值大概在35左右附近,SSIM值在0.96附近;当噪声密度为0.4的时候,滤波后的图像,其PSNR值大概在29左右附近,SSIM值在0.9附近;当噪声密度为0.7的时候,滤波后的图像,其PSNR值大概在25左右附近,SSIM值在0.78附近。即随着噪声的增加,滤波后的图像质量逐渐降低。

3.MATLAB核心程序

    iterNum
    % iterNum
    % find the coefficients one by one
    % ===remove the corrupted pixels and make some change on Dictionary==
    for kk = 1:1:size(Data,2)
        % kk
        tempon = Ionblocks(:,kk);
        location = find(tempon==1); %find locations of the good points
        tempblock = Data(location,kk);
        tempD = Dictionary(location,:);
        tempD = tempD./repmat(sqrt(sum(tempD.^2)), size(tempD, 1), 1);        
        if (Reduce_DC)
            vecOfMeans = mean(tempblock);
            tempblock = tempblock - vecOfMeans;
        end
        %OMP压缩感知
            if WS == 1
               [sols, iters, activationHist] = WOMP(tempD, tempblock, size(Dictionary,2),64/2, 0, 0, 0, 1e-5,errT);
               CoefMatrix(:,kk) = sols;  
            else
               CoefMatrix(:,kk) = OMP(tempD,tempblock,L);
            end
    end
   %===================================================================  
    replacedVectorCounter = 0;
    rPerm = randperm(size(Dictionary,2));
    for j = rPerm
        %优化最佳的字典元素
        [betterDictionaryElement,CoefMatrix,addedNewVector] = Modified_I_findBetterDictionaryElement(Data,Ionblocks,[FixedDictionaryElement,Dictionary],j+size(FixedDictionaryElement,2),CoefMatrix ,param.L);
        Dictionary(:,j) = betterDictionaryElement;
        if (param.preserveDCAtom)
            tmpCoef = FixedDictionaryElement\betterDictionaryElement;
            Dictionary(:,j) = betterDictionaryElement - FixedDictionaryElement*tmpCoef;
            Dictionary(:,j) = Dictionary(:,j)./sqrt(Dictionary(:,j)'*Dictionary(:,j));
        end
        replacedVectorCounter = replacedVectorCounter+addedNewVector;
    end
    if (iterNum>=1 & param.displayProgress)
        if (param.errorFlag==0)
            output.totalerr(iterNum) = sqrt(sum(sum((Data-[FixedDictionaryElement,Dictionary]*CoefMatrix).^2))/prod(size(Data)));
            disp(['Iteration   ',num2str(iterNum),'   Total error is: ',num2str(output.totalerr(iterNum))]);
        else
            output.numCoef(iterNum) = length(find(CoefMatrix))/size(Data,2);
            disp(['Iteration   ',num2str(iterNum),'   Average number of coefficients: ',num2str(output.numCoef(iterNum))]);
        end
    end
    %清除原来的旧的字典
    Dictionary = Modified_I_clearDictionary(Dictionary,CoefMatrix(size(FixedDictionaryElement,2)+1:end,:),Data,Ionblocks);
    if (isfield(param,'waitBarHandle'))
        waitbar(iterNum/param.counterForWaitBar);
    end
end
output.CoefMatrix = CoefMatrix;
Dictionary = [FixedDictionaryElement,Dictionary];

SEL         = 0;
 
%冲击密度
nl          = 0.5;
 
%************************************************************************
%读取图像
Is          = double(imread('Pic\1.png'));
%由于仿真速度较慢,将图像大小统一变为256*256大小的图像
Is          = imresize(Is,[256,256]);
%下面判断图像是否是灰度图
[R,C,K]     = size(Is);
if K == 1
   I0 = Is; 
else
   I0 = Is(:,:,1);  
end
 
%加入冲击噪声
[I1,Ion]    = impulsenoise(I0,nl,'random-value');
 
%进行滤波
%字典搜索参数
sigma       = 5;  
Th          = 5; 
flagInitialD= 1;  
flagOMP     = 1; 
 
 
%去噪声滤波
I2          = medfilt2(I1,[3,3]);
%计算PSNR指标
psnrIdenoise                = PSNRs(I2,I0);
%计算SSIM指标
[mssim,ssim_map]            = ssim_index(I2,I0);
psnrIdenoise
mssim

标签:KSVD,end,iterNum,Dictionary,滤波,图像,字典
From: https://blog.51cto.com/matworld/6131371

相关文章

  • m基于KSVD字典训练法的图像噪声滤波matlab仿真,对比图像中值滤波,ACWMF滤波,DWMR滤波以
    1.算法描述       K-SVD算法是一种新型的字典训练法,其基本原理是基于K-SVD算法改进所得到的,其主要过程是字典的训练过程,其具有非常好的自适应性能。该算法的整体流......
  • 图像处理之Canny边缘检测
    ​​​​1概述本节中,我们将一起学习OpenCV中边缘检测的各种算子和滤波器Canny算子、Sobel算子、Laplacian算子以及Scharr滤波器。2边缘检测的一般步骤在具体介绍之前,先来......
  • 【Android开发】高级组件-图像切换器
    图像切换器(ImageSwitcher),用于实现类似于Windows操作系统的“Windows照片查看器”中的上一张、下一张切换图片的功能。在使用ImageSwitcher时,必须实现V......
  • 基于SIFT特征提取的图像特征提取配准和拼接matlab仿真
    1.算法描述SIFT是一种从图像中提取独特不变特征的方法,其特点为基于图像的一些局部特征,而与图像整体的大小和旋转无关。并且该方法对于光照、噪声、仿射变换具有一定鲁棒性......
  • 图像处理之漫水填充
    ​​​​1概述本节我们将一起探讨OpenCV填充算法中漫水填充算法相关的知识点,并了解OpenCV中实现漫水填充算法的两个版本的floodFill函数的使用方法。漫水填充法是一种用......
  • 基于SIFT特征提取的图像特征提取配准和拼接matlab仿真
    1.算法描述      SIFT是一种从图像中提取独特不变特征的方法,其特点为基于图像的一些局部特征,而与图像整体的大小和旋转无关。并且该方法对于光照、噪声、仿射变换......
  • 图像处理(1):PyTorch垃圾分类 数据预处理
    基于深度学习框架PyTorchtransforms方法进行数据的预处理产品和技术负责人,专注于NLP、图像、推荐系统整个过程主要包括:缩放、裁剪、归一化、标准化几个基本步骤。图像归一......
  • 图像识别在测试中的使用
    使用场景:登录时的图像验证码APP自动化测试(Airtest)Web端UI自动化测试通过图像识别做断言 断言方法:1、大图中找小图  2、判断前后版本的页面上元素是否一致(比......
  • 3 图像、超链接、网页布局
    3图像、超链接、页面布局3.1图像标签常见的图像格式:JPG、GIF、PNG、BMP(位图)...<imgsrc="path"alt="text"title="text”width="x”height="y"/>创建一个......
  • 前端-表单表格图像-练习
    题目描述请依次写出以下类型的输入框。类型为密码,默认值为"nowcoder"类型为复选框,且状态为已勾选点击查看代码<form><!--补全代码--><inputtype="p......