版權聲明：本文爲博主原創文章，未經博主允許不得轉載。 https://blog.csdn.net/qq_32175783/article/details/52614353
1.基於稀疏表示的圖像去噪，是將圖像分塊，對於每個塊進行稀疏表示得到係數矩陣，然後重構圖像通過係數矩陣*字典得到嗎？稀疏表示過程中每次將圖像的每一列與字典做內積，選擇最大的一個，計算殘差，多次迭代，繼續找與殘差最匹配的原子，然後通過最小二乘法求係數a，最終得到一個係數矩陣A。最後是通過係數矩陣和字典的乘積來恢復圖像嗎？
答：圖像分塊後，將圖像的每一個像素排成一列，然後再字典上進行稀疏表示。。。。。
2.所有的patch被估計後，通過平均所有的重疊的patch重構圖像。這裏的平均和重疊怎樣理解？
答：這個過程會用到另一個矩陣，該矩陣用來記錄像素被重構的次數，比如：一個圖像塊被重構後，該部分的圖像抽掉，將重構的圖像放上去，並在另一個矩陣相應的記錄改圖像塊每個像素被重構的次數(第一次重構後，該區域的每個點爲1,表示該點被重構了一次)，然後移動一列，對該圖像塊繼續進行重構(此時，一部分已經被重構過，然後將重構後的圖像塊添加到相應的位置，此時多次重構的部位會出現重疊。。。。），後面進行類似的操作，最後將重構後的圖像除以另一個保存記錄的矩陣得到去噪後的圖像。
3.加權稀疏表示，引入一個權重矩陣，在稀疏編碼階段中減少噪聲像素的編碼，只用乾淨像素進行編碼，但高斯噪聲影響的是整個圖像，這裏該如何理解？
答：對於高斯噪聲，實際上將兩幅圖片進行重合，一幅乾淨圖像，一幅噪聲圖像，所以加入高斯噪聲後，原來乾淨的像素並未消失。而對於脈衝噪聲，有一個百分比，表示圖像中被脈衝噪聲污染的比例，IN的原理：按照百分比隨機選擇污染的像素，將原始像素挖去，重新填入新的像素，可能是0或1（SPN），也可能是0-255中隨機的一個值。這樣的污染就破壞了原始的像素，和高斯噪聲有所區別。所以對噪聲圖像可以只對乾淨的像素進行編碼。。
4.未加權的稀疏表示去噪，編碼的時候是對含噪聲的圖像塊進行稀疏表示？這樣最終能將噪聲去掉嗎？