针对腐化图像恢复不足的问题,提出一种基于PCA的非局部聚类稀疏表示模型。首先,用图像非局部自相似性来取得稀疏系数值;然后,对观测图像的稀疏编码系数进行集中聚类;最后,通过学习字典使降噪图像的稀疏编码系数接近原始图像的编码系数。实验结果表明,提出的方法在重建图像性能上较同类方法有显著提高,获得了更好的图像恢复质量。 差值的标准方差，通过非局部相似块来动态更新δi，j，再利用Surrogate算法［11］来求解目标函数。对于给定的块，通过计算它与平均值的差来判断该块所属的类，对每个聚类进行PCA子字典Dk训练，然后选择PCA子字典对这一类进行编码。在每次内循环迭代时，表示图像重建方法-数控滚圆机滚弧机切管机张家港液压切管机电动切管机通过迭代收缩来动态更新δi，j和{τi}这两个正则化参数，来解决最优化问题。详细算法流程图如图1所示。图1算法结构描述4仿真结果分析实验将每个子块设置为7×7，分别对自然图像进行去噪声和去模糊测试。通过比较峰值信噪比(PSNＲ)和图像相似度(FSIM)［12］来反映图像重建的质量。如图2所示，本文选择了5个黑白图像，依第40卷第9期(总第486期)19如图3所示，为噪声等级σ=5时的对比图，本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc从直观上看出，本文方法较LPGPCA方法要优，视觉效果良好，与原图图像相似度较高，且参照表1中数据可得峰值信噪比高出LPGPCA方法0．3dB。图3Cameraman图测试效果如图4所示，为噪声等级σ=80时的对比图，从直观上看出，在黑白图像掺杂较高的噪声时，本文的去噪声方法较LPGPCA方法有显著改善，图像恢复效果明显改进，与原图图像相似度较高，且参照表1中数据结果知道，本文较LPGPCA方法峰值信噪比提高了0．45dB。如表2～4所示，分别显示了不同噪声腐败情况下对彩色图像的修复效果。数据显示，在对彩色图像去噪声时，仅在中低噪声影响下，本文方法大致保持了较好的降噪效果。但是，对于纹理较复杂的图像，本文方法会把图像本身的纹理也给平滑掉，产生较大失真。如图5所示，为噪声等级σ=60时的对比图，视觉观察，LPGPCA方法要优于本文的去噪声方法，对于图像中纹理的保持效果也较好于本文方法，由表2～表4中数据显示，LPGPCA方法峰值信噪比要高出本文方法1dB。图4Pentagon图测试效果图5Parrot图测试效果如图6所示，为噪声等级σ=20时的对比图，从直观上看出，在原图像本身就纹理多的情况下，本文方法会造成一定程度的失真，将原有纹理光滑掉，此时，较LPGPCA方法效果要稍差一点。综上所述，本文方法比较适用于黑白图像去噪。图6Tower图测试效果4．2去模糊重建本文将提出的去模糊方法与ASDS_AＲ_NL方法进表示图像重建方法-数控滚圆机滚弧机切管机张家港液压切管机电动切管机本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc