针对混合噪声,结合加权稀疏与变分,提出了新颖的去噪模型。首先,进行PCA训练自适应字典,再结合非局部相似性,利用噪声的特性进行加权编码。最后,结合变分正则项,再利用对偶方法求出恢复后的图像。仿真实验表明,该算法不仅提高了图像的峰值信噪比,而且更好地保留图像的重要特征,提高图像的视觉效果。 具体的更新方法见文献［5］。6)更新权重W通过残差e(k)和式(8)。7)更新去噪图像:输出:去噪图像x。4实验仿真及结果分析为了更好地评价新算法的性能，将本文提出的算法与文献［6］的ZZG算法和文献［5］的JZY算法进行比较。测试图为大小全部为512×512的Pirate、Pep-pers和Jetplane，如图1所示。对于混合噪声，AWGN的标准差分别为σ=10，20，30，IN的强度分别为p=30%，40%，50%，不同程度的噪声图如图2所示。对于非局部参数λ，当噪声强度为σ=10，λ=0．5的时候，迭代8次，当噪声强度为σ=20，30，λ=1，本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com 分别迭代10和12次，参数λ1=0．01，字典分块大小为7×7，其余的参数选取与文献［5］相同。本实验是在处理器为InterCorei3、内存C机上运行，Matlab版本为Ｒ2010b。图1测试图图2噪声图像本文利用峰值信噪比(PSNＲ)及图像特征相似度(FSIM)［5］来评估去噪的图像质量。实验一:以“Pirate”为比较对象，其中噪声强度为σ=30，p=40%。从图3可以清楚的看出，混合噪声去除模型-电动弯管机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机图3b还存在很多噪声，图像的边缘和脸部(嘴巴、鼻子、眼睛和下巴)比较模糊，特别是手链、手指以及手指上的戒指;图3c虽然在边缘处理的比图3b图好，但是相比图3d和图3c的边缘处理相对比较模糊，从脸部轮廓和脸部(嘴巴、本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com 混合噪声去除模型-电动弯管机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机鼻子、眼睛和下巴)可以明显地看出图3d优于图3b与图3c，进一步从手腕的链子和手指的戒指可以看出本文算法能够很好保存图像边缘特征。实验二:以Peppersσ=20，p=50%为研究目标。从图4可知?测试图为大小全部为512×512的Pirate、Pep-pers和Jetplane，如图1所示。对于混合噪声，AWGN的标准差分别为σ=10，20，30，IN的强度分别为p=30%，40%，50%，不同程度的噪声图如图2所示。对于非局部参数λ，当噪声强度为σ=10，λ=0．5的时候，迭代8次，当噪声强度为σ=20，30，λ=1，分别迭代10和12次，参数λ1=0．01，字典分块大小为7×7，其余的参数选取与文献［5］相同。本实验是在处理器为InterCorei3、内存为2．3－Ghzdual－core的PC机上运行，Matlab版本为Ｒ2010b。图1测试图图2噪声图像本文利用峰值信噪比(PSNＲ)及图像特征相似度(FSIM)［5］来评估去噪的图像质量。实验一:以“Pirate”为比较对象，其中噪声强度为σ=30，p=40%。从图3可以清楚的看出，图3b还存在很多噪声，图像的边缘和脸部(嘴巴、鼻子、眼睛和下巴)比较模糊，特别是手链、手指以及手指上的戒指;图3c虽然在边缘处理的比图3b图好，但是相比图3d和图3c的边缘处理相对比较模糊，从脸部轮廓和脸部(嘴巴、鼻子、眼睛和下巴)可以明显地看出图3d优于图3b与图3c，进一步从手腕的链子和手指的戒指可以看出本文算法能够很好保存图像边缘特征。实验二:以Peppersσ=20，p=50%为研究目标。从图4可知，图4b辣椒的边缘和辣椒梗上面出现不属于辣椒本身的东西;从竖着的辣椒和最小的辣椒梗可以很明显地看出图4d优于图4混合噪声去除模型-电动弯管机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com