稀疏分解图像去噪

【实例简介】
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
【实例截图】
【核心代码】
稀疏分解图像去噪
└── 稀疏分解图像去噪
├── Codes
│   ├── MILR_destripe.m
│   ├── MParSet.m
│   ├── NonPeriodical_Simulated.m
│   ├── ParSet.m
│   ├── Periodical_Simulated.m
│   ├── SILR_destripe.m
│   ├── SVD_shrink.m
│   ├── Utilize
│   │   ├── Moment Matching
│   │   │   ├── MeanDN.m
│   │   │   └── Moment_matching.m
│   │   ├── SGE
│   │   │   ├── SGE_Demo.m
│   │   │   └── SGEdestripe.m
│   │   ├── TV
│   │   │   ├── TV_Demon.m
│   │   │   └── TVdestripe.m
│   │   ├── UTV
│   │   │   ├── UTV_Demon.m
│   │   │   ├── UTVdestripe.m
│   │   │   └── shrink.m
│   │   └── WFAF
│   │   ├── WFAF.m
│   │   └── adpative_FFT.m
│   ├── cal_ssim.m
│   ├── csnr.m
│   ├── periodo.m
│   ├── phiprimeover2x.m
│   ├── pouxiantu.m
│   ├── power_spectrum.m
│   └── soft_shrink.m
├── Images
│   ├── Original_band30.tif
│   ├── Terra band30.tif
│   ├── Terra33_fig8.tif
│   ├── ir_background.png
│   └── multi-images.mat
└── test_destripe.m

9 directories, 31 files