总结与展望-ads 基于atf54143的lna低噪声放大器 仿真设计

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。