稀疏表示去噪中的一些小问题

1.基于稀疏表示的图像去噪，是将图像分块，对于每个块进行稀疏表示得到系数矩阵，然后重构图像通过系数矩阵*字典得到吗？稀疏表示过程中每次将图像的每一列与字典做内积，选择最大的一个，计算残差，多次迭代，继续找与残差最匹配的原子，然后通过最小二乘法求系数a，最终得到一个系数矩阵A。最后是通过系数矩阵和字典的乘积来恢复图像吗？

答：图像分块后，将图像的每一个像素排成一列，然后再字典上进行稀疏表示。。。。。

2.所有的patch被估计后，通过平均所有的重叠的patch重构图像。这里的平均和重叠怎样理解？

答：这个过程会用到另一个矩阵，该矩阵用来记录像素被重构的次数，比如：一个图像块被重构后，该部分的图像抽掉，将重构的图像放上去，并在另一个矩阵相应的记录改图像块每个像素被重构的次数(第一次重构后，该区域的每个点为1,表示该点被重构了一次)，然后移动一列，对该图像块继续进行重构(此时，一部分已经被重构过，然后将重构后的图像块添加到相应的位置，此时多次重构的部位会出现重叠。。。。），后面进行类似的操作，最后将重构后的图像除以另一个保存记录的矩阵得到去噪后的图像。

3.加权稀疏表示，引入一个权重矩阵，在稀疏编码阶段中减少噪声像素的编码，只用干净像素进行编码，但高斯噪声影响的是整个图像，这里该如何理解？

答：对于高斯噪声，实际上将两幅图片进行重合，一幅干净图像，一幅噪声图像，所以加入高斯噪声后，原来干净的像素并未消失。而对于脉冲噪声，有一个百分比，表示图像中被脉冲噪声污染的比例，IN的原理：按照百分比随机选择污染的像素，将原始像素挖去，重新填入新的像素，可能是0或1（SPN），也可能是0-255中随机的一个值。这样的污染就破坏了原始的像素，和高斯噪声有所区别。所以对噪声图像可以只对干净的像素进行编码。。

4.未加权的稀疏表示去噪，编码的时候是对含噪声的图像块进行稀疏表示？这样最终能将噪声去掉吗？