ارائه روش جدید حذف نوفه تصویر براساس یادگیری واژه نامه ناهمدوس و روش تطبیق فضا

در این مقاله یک روش جدید به منظور حذف نوفه تصویر براساس یادگیری واژه نامه ناهمدوس در فضای تطبیق یافته ارایه می شود. روال یادگیری واژه نامه براساس در نظر گرفتن معیار همدوسی به منظور حصول واژه نامه های فراکامل با اتم های ناهمدوس و به کارگیری روش تطبیق فضا به منظور کاهش زمان پردازش و دست یابی به تصویر حذف نوفه شده با دقت بیشتر است. با استفاده از این روش، واژه نامه اولیه ای از داده تصویر در دسترس تهیه و سپس اتم های آموزش دیده متناسب با نوفه ای که محیط آزمایش با آن درگیر است به کمک یک الگوریتم بهینه سازی جدید مبتنی بر روش حافظه محدود BFGS به روز می شوند. همچنین گام بازنمایی تنک در این الگوریتم بر مبنای یک الگوریتم مبتنی بر افزایش همدوسی اتم-داده است. آموزش واژه نامه فراکامل با اتم های ناهمدوس بسیار حایز اهمیت است؛ زیرا به خطای تقریب کوچک تر در بازنمایی تنک منتهی می شود چون در بازنمایی داده تصویر، اتم های مستقل از هم نقش بیشتری خواهند داشت و فضای داده را به بهترین نحو پوشش می دهند. همچنین از یک روش بازنمایی تنک ناهمدوس نیز در روال یادگیری واژه نامه بهره گرفته می شود. به کارگیری این روال یادگیری موجب دست یابی به تصویر حذف نوفه شده با دقت بالا می شود. نتایج شبیه سازی با نتایج الگوریتم حذف نویز تصویر مبتنی بر روال تطبیق فضای پایه و روش یادگیری واژه نامه مبتنی بر K-SVD مقایسه شده است. نتایج شبیه سازی های انجام شده نشان می دهد که الگوریتم پیشنهادی در حذف نوفه گوسین به نتایج مناسب تری نسبت به سایر الگوریتم ها دست یافته و توانسته است با به کارگیری اتم های ناهمدوس، ساختار داده ورودی را به گونه مناسبی بازنمایی کند.