简介
在本实验中，我们将学习如何使用字典学习对失真图像进行去噪。我们将通过一个示例，比较首先使用在线字典学习和各种变换方法重建浣熊面部图像的噪声片段的效果。
虚拟机提示
虚拟机启动完成后，点击左上角切换到“笔记本”标签，以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，请随时向 Labby 提问。课程结束后提供反馈，我们将立即为你解决问题。
生成失真图像
第一步是生成一幅失真图像。我们将使用 Scipy 数据集来加载一张浣熊面部图像。我们将对图像进行下采样以提高速度，并使图像的右半部分失真。
显示失真图像
我们将显示失真图像，以查看失真对图像的影响。
提取参考补丁块
我们将从图像的左半部分提取所有参考补丁块。我们将使用 Scikit-learn 的 extract_patches_2d 函数来提取补丁块。我们将通过减去均值并除以标准差来对数据进行归一化。
从参考补丁块中学习字典
在这一步中，我们将从参考补丁块中学习字典。我们将使用 Scikit-learn 的 MiniBatchDictionaryLearning 来学习字典。我们将把字典拟合到提取的补丁块上。
从失真图像中提取噪声补丁块并使用字典进行重构
在这一步中，我们将从失真图像中提取噪声补丁块，并使用字典对其进行重构。我们将使用四种不同的变换算法，即正交匹配追踪（Orthogonal Matching Pursuit）、最小角回归（Least-angle Regression）和阈值处理（Thresholding）来重构补丁块。我们将显示重构后的图像，并将其与原始图像进行比较。
总结
在这个实验中，我们学习了如何使用字典学习对失真图像进行去噪。我们使用 Scikit-learn 的 MiniBatchDictionaryLearning 来学习字典并重构噪声补丁块。我们还使用了四种不同的变换算法来重构补丁块。