文件名称：稀疏分解图像去噪
文件大小：2.07MB
文件格式：ZIP
更新时间：2021-04-19 02:28:58
稀疏 图像
传统的去噪方法往往假设含噪图像的有用信息处在低频区域，而噪声信息处在高频区域，从而基于中值滤波、Wiener 滤波、小波变换等方法实现图像去噪，而实际上这种假设并不总是成立的。基于图像的稀疏表示，近几年来研究者们提出了基于过完备字典稀疏表示的图像去噪模型，其基本原理是将图像的稀疏表示作为有用信息，将逼近残差视为噪声。利用 K-SVD 算法求得基于稀疏和冗余的训练字典，同时针对 K-SVD 算法仅适合处理小规模数据的局限，通过定义全局最优来强制图像局部块的稀疏性。文献[28]提出了稀疏性正则化的图像泊松去噪算法，该算法采用 log 的泊松似然函数作为保真项，用图像在冗余字典下稀疏性约束作为正则项，从而取得更好的去噪效果。
【文件预览】：
稀疏分解图像去噪
----Codes()
--------csnr.m(501B)
--------ParSet.m(469B)
--------NonPeriodical_Simulated.m(381B)
--------Utilize()
--------power_spectrum.m(399B)
--------Periodical_Simulated.m(510B)
--------SVD_shrink.m(927B)
--------MILR_destripe.m(2KB)
--------phiprimeover2x.m(680B)
--------MParSet.m(547B)
--------cal_ssim.m(6KB)
--------pouxiantu.m(386B)
--------periodo.m(343B)
--------SILR_destripe.m(2KB)
--------soft_shrink.m(242B)
----test_destripe.m(1KB)
----Images()
--------Original_band30.tif(93KB)
--------Terra33_fig8.tif(255KB)
--------multi-images.mat(1.57MB)
--------ir_background.png(49KB)
--------Terra band30.tif(258KB)