✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、程序设计科研仿真。
🍎完整代码获取 定制创新 论文复现点击：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
在图像处理领域，图像去噪是一项关键任务。现实中获取的图像常常受到各种噪声的干扰，如高斯噪声、椒盐噪声等，这严重影响了图像的质量和后续分析，如目标识别、图像分割等任务的准确性。传统的图像去噪方法如维纳滤波、中值滤波等在处理简单噪声时表现尚可，但对于复杂噪声或高质量图像恢复的需求，往往力不从心。近年来，基于机器学习，尤其是自监督学习的图像去噪方法取得了显著进展。本文提出一种基于自适应掩码和稀疏表示的自监督图像去噪方法，旨在有效去除图像噪声，同时保持图像的细节和结构信息，并通过峰值信噪比（PSNR）这一重要指标来评估方法的性能。
二、相关理论基础
（一）自适应掩码
自适应掩码的核心思想是根据图像的局部特征动态地调整掩码的权重或参数。对于图像中的不同区域，由于其纹理、亮度等特征各异，对噪声的敏感程度和去噪需求也不同。自适应掩码能够自动识别这些差异，为每个局部区域生成最合适的掩码。例如，在图像的平滑区域，掩码可能更注重抑制噪声；而在边缘或纹理丰富的区域，掩码会在去噪的同时尽量保留细节信息。这种动态调整的特性使得自适应掩码在复杂图像去噪中具有更高的灵活性和有效性。
（二）稀疏表示
稀疏表示理论认为，大多数自然图像可以通过一组过完备字典中的少数原子以稀疏线性组合的方式进行表示。在图像去噪中，利用稀疏表示可以将含噪图像分解为稀疏系数和字典原子的线性组合。由于噪声在这种表示下通常不具有稀疏性，通过对稀疏系数进行适当的阈值处理，可以有效地去除噪声成分，同时保留图像的主要结构和特征。例如，在小波变换中，图像的高频部分往往对应着图像的细节和噪声，通过对小波系数进行阈值化操作，可以抑制噪声对应的系数，从而实现去噪。
三、基于自适应掩码和稀疏表示的自监督图像去噪方法
（一）方法框架
- 自适应掩码生成
：首先，对含噪图像进行多尺度分析，例如使用高斯金字塔或小波变换，获取图像在不同尺度下的特征表示。然后，基于这些特征，通过一个卷积神经网络（CNN）或手工特征提取器，学习图像的局部特征。根据学习到的特征，生成自适应掩码。掩码的每个元素表示对应图像局部区域对去噪操作的重要性或权重。
- 稀疏表示与去噪
：利用学习到的自适应掩码，对含噪图像进行加权处理。然后，将加权后的图像送入稀疏表示模块。该模块使用预训练的过完备字典（可以通过 K - means 奇异值分解等方法在大量自然图像上学习得到）对图像进行稀疏编码，得到稀疏系数。通过对稀疏系数进行阈值处理，去除噪声相关的成分，再利用处理后的稀疏系数和字典重构去噪后的图像。
（二）自监督学习策略
- 无监督数据生成
：在自监督学习中，无需额外的干净图像作为标签。利用含噪图像自身生成训练数据。例如，可以对含噪图像进行随机变换，如旋转、翻转、裁剪等，生成多个不同版本的含噪图像。这些变换后的图像与原始含噪图像构成训练对。
- 损失函数设计
：定义一个损失函数来衡量去噪图像与原始含噪图像经过变换后的一致性。常见的损失函数包括均方误差损失（MSE）、结构相似性指数（SSIM）损失等。结合 PSNR 指标，以最大化去噪后图像的 PSNR 为优化目标，在训练过程中不断调整自适应掩码生成模块和稀疏表示模块的参数。
⛳️ 运行结果
📣 部分代码
function feasible=checkPath(n,newPos,shp)
feasible=true;
movingVec = [newPos(1)-n(1),newPos(2)-n(2),newPos(3)-n(3)];
movingVec = movingVec/sqrt(sum(movingVec.^2)); %单位化
if n==newPos %%防止对于同一个点检测
feasible=false;
else
for R=0:0.1:sqrt(sum((n-newPos).^2))
posCheck=n + R .* movingVec;
tf = inShape(shp,posCheck(:,1),posCheck(:,2),posCheck(:,3));
if (tf==1)
feasible=false;break;
end
end
end
🔗 参考文献
[1]马红强,马时平,许悦雷,等.基于改进栈式稀疏去噪自编码器的图像去噪[J].计算机工程与应用, 2018, 54(4):7.DOI:10.3778/j.issn.1002-8331.1709-0155.
