مقاله #530

چکیده

 حذف نویز تصاویر، به عنوان یکی از اساسی ترین اقدامات مربوط به پردازش تصویر، محسوب می شود. این رویکردی که در این مقاله بر روی آن متمرکز خواهیم شد، بر اساس بازنمایی‌های پراکنده و افزونه (مبتنی بر واژه نامه فوق العاده کامل فرا گرفته شده)، بنا شده است. این موضوع به اثبات رسیده است که الگوریتم K-SVD (تجزیه مقدار یکتای K)، به عنوان روش فوق العاده موثر آموزش واژه نامه‌های فوق العاده کامل (در خصوص بازنمایی سیگنال پراکنده)، محسوب می شود. همچنین، زمانی که مقیاس مجموعه داده‌های آموزشی، به شدت بزرگ می شود، استفاده از این الگوریتم، دیگر موثر نخواهد بود (زیرا این الگوریتم، یک الگوریتم دسته ای می باشد و در هر دور تکرار، با تمام نمونه‌های آموزشی، تعامل دارد). در این مقاله، پیاده سازی دیگری از این الگوریتم را به منظور یادگیری فزاینده موثر، ارائه می کنیم که روند اجرای الگوریتم قبلی را افزایش می دهد و همچنین به طور قابل ملاحظه ای با مجموعه داده‌های بزرگ (به همراه میلیون‌ها نمونه آموزشی)، تطبیق می یابد. آزمایشات مربوط به حذف نویز (که برای هر دو مورد تصاویر مقیاس بزرگ و مجموعه داده‌های آموزشی به انجام رسیده است)، نشان می دهد که روش پیشنهادی ما، منجر به عملکرد سریعتر و واژه نامه‌های بهتر، خواهد شد.