基于正则化模型的K-SVD算法及其应用

提出一种基于正则化方法的K均值奇异值分解（K-SVD）算法。新算法在更新字典阶段,建立一种正则化模型,针对经典K-SVD算法中每次原子更新,引入正则项参与字典更新过程,将每次更新原子所产生的误差限制在设定范围内完成原子更新。在K-SVD算法正则化模型基础上,对K-SVD的衍生算法近似K-SVD(Approximate K-SVD)进行了研究,提出了适用于AK-SVD的正则化模型。实验结果表明,新模型训练字典的误差相较于传统算法缩小了13.8%。将训练字典用于图像去噪时发现,新模型下字典重构出图像的峰值信噪比（PSNR）比传统算法提升0.5dB左右。