第六章 总结与展望
54
和基于字典学习和自相似性正则的图像去噪方法,以上方法均是在理想状态下进
行的,虽然得到较好的去噪效果,但存在算法运行时间过长的问题,其主要费时
环节是非局部自相似权重参数的计算。所以在实际应用中需要考虑到非局部自相
似权重参数计算的优化问题,即不但要获得高质量的恢复图像,还要加快去噪进
程,提高实用性。此外,在稀疏表示求解实际问题方面,还有很大的改进与应用
空间,例如,选择字典学习和稀疏分解算法的最优组合,找到一种最优的学习
APBT 类字典的方法,如何充分利用图像局部结构信息和非局部自相似性信息进
行图像去噪或者其他的图像应用,如何提高图像去噪的运行速度,如何将稀疏表
示和自相似性有效应用到乘性噪声的情况。总之,基于稀疏表示和自相似性的图
像去噪方法研究还有很多内容有待进一步探索。
1