基于稀疏表示的红外图像噪声抑制方法研究

发布时间：2024-04-15 20:55

　　红外热成像技术因其抗干扰能力强、可全天候成像等特点,在各个行业领域都有着广泛的应用。但是由于红外信号受到探测器本身器件的干扰和在传输的过程中受到外界因素的影响,导致红外热成像系统采集红外图像的过程中会引入各种噪声,限制了红外图像的应用。因此,对红外图像噪声抑制方法进行研究具有十分重要的意义。为了解决传统红外图像噪声抑制方法在滤除红外图像噪声的同时,也会损失红外图像细节信息的问题,论文在深入研究稀疏表示理论的基础上,提出了两种稀疏表示的红外图像噪声抑制方法。针对传统稀疏表示方法中过完备字典自适应能力差的问题,提出了优化的K-SVD字典的稀疏表示红外图像噪声抑制方法。该方法首先对红外图像进行分块处理,每一块为一类,然后对每一类进行字典学习和稀疏分解。在字典学习阶段,选取离散余弦变换过完备字典为初始字典,对红外图像块进行多次奇异值分解学习得到新的字典矩阵。对每一块样本信号选取离散余弦变换字典为初始过完备字典,用正交匹配追踪算法对图像块在该过完备字典上进行稀疏分解,以残差变化率阈值为稀疏分解迭代终止条件。其次,对字典进行迭代更新学习,得到图像块的字典矩阵和稀疏系数矩阵。最后,利用更新得到的字典...

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图2.4原始带噪声红外图像

图2.4原始带噪声红外图像以看到，红外图像几乎被噪声所淹没，图像的边缘红外噪声抑制算法对红外图像噪声的抑制作用，对

图2.5传统算法对红外图像噪声抑制效果对比图

(c)低通滤波(d)小波阈值图2.5传统算法对红外图像噪声抑制效果对比图

图3.1基于稀疏表示的图像噪声抑制过程图

图3.1基于稀疏表示的图像噪声抑制过程图外图像不同于普通的可见光图像和灰度图像，由于其对比度低、视觉效果噪声的影响，所以传统的图像噪声抑制算法对其噪声的抑制效果并不明显

图4.3K-SVD算法和优化K-SVD算法的去噪效果图

(a)原始含噪红外图像(b)K-SVD算法效果图(c)优化的K-SVD算法效果图图4.3K-SVD算法和优化K-SVD算法的去噪效果图由图4.3中可看出，经过优化的K-SVD字典算法处理后的红外图像的整体图像效果要优于K-SVD字典算法，其图像中的....

本文编号：3955939