基于K-SVD的图像去噪与稀疏表示工具包

资 源 简 介

本项目开发了一套完整的基于MATLAB的K-SVD（K-奇异值分解）算法工具包，核心目标是实现信号和图像的高效稀疏表示。该工具包的工作流程遵循“训练方向-沿方向处理”的机制，具体分为字典学习和稀疏重构两个阶段。在字典学习阶段，算法通过交替执行稀疏编码（通常采用正交匹配追踪OMP算法）和字典更新（利用SVD分解），从训练数据中学习出一组能够最佳描述信号特征的过完备字典（即“方向”）；在应用阶段，利用学习到的字典对含噪或低质图像进行稀疏分解，去除不符合字典特征的噪声成分，从而实现图像去噪、图像增强、填补缺失像素以及压缩感知等功能。项目代码实现了对图像的重叠分块处理、字典训练、稀疏系数求解以及基于加权平均的图像重建，能够显著提升图像的峰值信噪比（PSNR），同时有效保留图像的边缘和纹理细节。

详 情 说 明

KSVD稀疏表示与图像去噪增强MATLAB工具包

项目简介

本项目是一个基于MATLAB开发的高级信号处理工具包，专注于实现K-SVD（K-奇异值分解）算法，用于图像的稀疏表示与去噪。该代码实现了一套完整的从图像分块、过完备字典训练到稀疏重构的流水线。通过从含噪图像中学习特征字典，利用信号的稀疏性剔除高斯白噪声，显著提升图像质量。

核心算法基于经典的K-SVD理论，涵盖了字典学习阶段（通过训练更新原子）和稀疏编码阶段（使用正交匹配追踪OMP），最终通过重叠分块的加权平均技术重建高质量图像。

主要功能特性

• K-SVD 字典学习：实现了基于SVD分解的迭代式字典更新算法，能够从训练样本中自适应学习出描述图像特征的过完备字典。
• 稀疏编码 (OMP)：集成了正交匹配追踪（Orthogonal Matching Pursuit）算法，用于高效求解信号在字典下的稀疏系数。
• 图像去噪：针对高斯白噪声环境，利用学习到的字典对含噪图像进行稀疏分解与重构，有效去除噪声成分。
• 自动化数据处理：支持图像自动转灰度、归一化、样本随机采样以及重叠分块处理。
• 可视化评估：提供完整的可视化输出，包括原始图像、含噪图像、去噪后图像的对比，字典原子的可视化展示，以及训练过程中的收敛曲线。
• 无第三方依赖：所有核心功能（如滑窗切片、重构聚合、OMP求解）均在脚本内通过原生MATLAB代码实现，无需安装额外的工具箱。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox (推荐，用于读取图片，若无则代码会自动生成合成图像)

使用方法

直接运行主脚本 main 即可启动整个处理流程。

程序将自动执行以下步骤：

1. 加载图像（默认为 cameraman.tif，若不存在则生成合成与纹理图像）。
2. 添加标准差为 25 的高斯白噪声。
3. 从含噪图像中提取图块并构建训练集。
4. 执行 K-SVD 迭代进行字典学习。
5. 利用训练好的字典对全图进行稀疏重构。
6. 弹出窗口显示去噪效果、PSNR 指标、学习到的字典形态及误差收敛曲线。

算法实现与逻辑详解

本工具包的实现完全遵循 K-SVD 算法的标准流程，具体执行逻辑如下：

1. 参数初始化与数据准备

程序首先设定核心参数，包括噪声水平（Sigma=25）、图块大小（8x8）、字典大小（256个原子）、稀疏度约束（6）以及迭代次数。读取图像后将其转换为双精度灰度图，并人为叠加高斯噪声以模拟真实受噪环境。

2. 图像分块与预处理

• 滑窗取样：采用全重叠（步长为1）的方式将图像分割为大量 8x8 的小图块。
• 直流分量移除：为了更好地捕捉纹理特征，算法会计算并减去每个图块的平均值（DC分量），仅对交流分量进行字典训练。
• 训练集构建：从所有图块中随机抽取一定数量（默认最多4000个）的样本作为 K-SVD 的训练数据，以平衡训练速度与效果。

3. K-SVD 字典学习（核心循环）

进入迭代循环，交替执行以下两个步骤：

• 稀疏编码 (Sparse Coding)：

利用当前的字典，通过 OMP 算法为每个训练样本计算稀疏系数向量。该过程的目标是在固定字典的情况下，寻找能以最少原子线性组合来逼近样本的系数。

• 字典更新 (Dictionary Update)：

逐个更新字典中的原子。对于第 k 个原子： 1. 找出所有使用了该原子的样本。 2. 计算去除该原子贡献后的残差误差矩阵。 3. 对误差矩阵进行 SVD（奇异值分解），取最大的奇异值及其对应的左右奇异向量。 4. 更新该字典原子为左奇异向量，并更新对应的非零系数。 *注：代码中包含了空原子处理逻辑，若某原子未被利用，将随机替换为新的数据样本以保持字典活力。*

4. 全局图像重构

字典训练完成后，进入图像恢复阶段：

• 全图编码：使用训练好的最终字典，对图像中提取的所有重叠分块进行 OMP 稀疏编码。
• 块重构：根据求解出的稀疏系数和字典还原出无噪的图块数据，并将之前移除的直流分量（DC）加回。
• 加权聚合：利用 col2im_sliding 逻辑，将所有重叠的图块放回原图位置。对于重叠区域的像素，计算其所有覆盖图块预测值的平均值，从而平滑块效应并进一步降低噪声。

关键函数分析

• OMP_Batch

这是稀疏编码的核心实现。它接受字典和数据矩阵，对每一个信号向量执行正交匹配追踪。通过贪婪策略，每一步选择与当前残差相关性最大的原子，并通过最小二乘法更新系数，直到达到预设的稀疏度。

• im2col_sliding / col2im_sliding

手动实现了图像与列向量矩阵之间的转换。im2col 负责按行按列滑动提取图块并展平为列向量；col2im 负责执行逆过程，特别是处理了重叠区域的像素累加与计数归一化（平均），这对保证重建图像的平滑度至关重要。

• displayDictionary

用于将学习到的字典（矩阵形式）转换为可视化的拼贴图。它将 256 个原子重新排列为网格，并进行归一化处理，直观展示算法学习到的边缘、纹理等基底特征。

• calcPSNR

标准的图像质量评估函数，计算原始图像与重构图像之间的峰值信噪比（PSNR），以分贝（dB）为单位量化去噪效果。