基于KSVD的图像稀疏编码算法与性能基准分析软件(2)
4.1 正则化参数λ的影响 24
4.2 迭代次数K的影响 29
4.3 字典大小k的影响 29
4.4 KSVD算法与几个经典的流行的算法的比较 29
4.5 本章小结 31
结论 32
致 谢 33
参考文献34
引言（或绪论）
研究背景与意义
在人类获取的信息中，约20%的信息来自听觉，约60%的来自视觉，而来自其它觉、触觉、嗅觉等的信息加起来不超过20%，既大部分是从图像中获得的。图像是人们主要的信息源泉，而且图像信息具有很多优点，它信息量大，传输距离远，而且传输速度快。数字图像能够直观地表达视觉信息，而海量的图像数据给实际的存储、传输和理解带来相当的困难。因此，如何根据图像固有性质和人类视觉特性寻求高效的图像表示方法，具有十分重要的意义。然而，图像在生成和传输的过程中难免会受到外部噪声的影响，降低了图像的质量，这个不但不符合人们的视觉效果，并且对图像的后续的处理也是很不利的。所以在图像的预处理阶段，对图像进行去噪，这是很有必要的，因为这能提高图像的信噪比。并且图像的去噪具有很强的理论意义和应用价值。对不同类别的物体可提取不同的图像特征，得到对各个物体具有强表示能力的特征集为字典，则若对一类图像可以找到这样的字典，那么利用字典则可以很小误差地稀疏表示这类图像。 图像去噪是图像处理的主要环节，图像去噪的好坏直接影响着图像的后期处理，对图像的去噪便是一种很好的滤波处理方法，使得在抑制噪声的同时并且很好的保持图像的边缘，这对图像的后期处理有很大的好处。图像去噪的领域也是非常广泛的[17]：
航空航天遥感领域：城市遥感，农业遥感，地球资源，天气预报
a）模糊的图像 b）去噪后的图像
图1.1 城市立交高架图像
生物医学领域：CT，X医学图像，超声波图像等等
a）模糊的图像 b）去噪后的图像
图1.2 显微镜下的细胞图像
3．工业探伤领域：零件探伤
a）模糊的图像 b）去噪后的图像
图1.3 工业探伤图片
4．公安监控领域：车牌监控领域，违反人员监控
a）模糊的图像 b）去噪后的图像
上一篇：基于安卓手机的语音通讯软件设计