{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1324965"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1324965","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αποθορυβοποίηση εικόνας μέσω του αλγορίθμου k-SVD","abstract":"Οι εφαρμογές αλγορίθμων μηχανικής μάθησης σε κλασικά προβλήματα της θεωρίας Επεξεργασίας Σήματος αποτελεί μια περιοχή με τεράστιο ερευνητικό ενδιαφέρον στις σημερινές ημέρες. Στην εποχή των \"Big Data\", η αναπαράσταση των τεράστιων όγκων δεδομένων με συναρτήσεις λίγων μεταβλητών αποτελεί μία μεγάλη πρόκληση για τους επιστήμονες της πληροφορικής και των μαθηματικών. Θέτοντας το θέμα στη γεωμετρική του σκοπιά, στόχος είναι η αναπαράσταση των δεδομένων από έναν χώρο πολλών διαστάσεων σε έναν χώρο με λίγες διαστάσεις χωρίς να χαθεί σημαντική ποσότητα πληροφορίας. Η εν λόγω διαδικασία, γνωστή ως μείωση της διάστασης (dimensionality reduction), αποτελεί εκ φύσεως ένα δύσκολο πρόβλημα. Όσο και αν φαίνεται περίεργο, οι νόμοι της φύσης τείνουν να εφαρμοστούν ακόμη και στην επεξεργασία μεγάλων όγκων δεδομένων. Η φύση είναι \"φειδωλή\", απορρίπτει τα περιττά στοιχεία και διατηρεί τα απολύτως αναγκαία. Επιστρέφοντας στον κόσμο των μαθηματικών και της πληροφορικής, το μαθηματικό εργαλείο που εκφράζει αυτή τη \"λιτότητα\" της φύσης είναι η αραιότητα (sparsity). Η έκφραση μιας μεγάλης ποσότητας δεδομένων με τη βοήθεια διανυσμάτων με λίγους συντελεστές και πολλά μηδενικά καθώς και με τη βοήθεια κατάλληλων μητρώων έχει προσελκύσει έντονο ερευνητικό ενδιαφέρον. Η \"αραιή\" έκφραση των δεδομένων αποκαλύπτει συγκεκριμένα μοτίβα στα δεδομένα τα οποία είναι δύσκολο να αποκαλυφθούν με κλασικούς αλγορίθμους συσχέτισης. Η αραιότητα δείχνει ότι σύνολα δεδομένων που φαίνονται εντελώς τυχαία, κρύβουν σχέσεις συσχέτισης. Αυτό που επίσης είναι εντυπωσιακό, είναι ότι μπορούμε να εκμεταλλευτούμε αυτή την παρουσία αραιών μορφών προκειμένου να απορρίψουμε τα ανεπιθύμητα δεδομένα που συνιστούν την έννοια του θορύβου. Ο θόρυβος ενυπάρχει σε όλα τα προβλήματα του πραγματικού κόσμου. Η ανίχνευση και η απόρριψή του αποτελεί ένα αντίστροφο πρόβλημα που είναι αδύνατο να λυθεί με ακρίβεια. Εντούτοις, η ύπαρξη αραιών μοντέλων για την έκφραση συνόλων δεδομένων μπορεί να απορρίψει με τη χρήση κατάλληλων αλγορίθμων τη μεγαλύτερη ποσότητα θορύβου. Η μηχανική μάθηση, από την άλλη πλευρά, συνίσταται σε αλγορίθμους που \"εκπαιδεύουν\" ένα σύστημα να εκτελέσει συγκεκριμένες διαδικασίες ανάλογα με τις παραμέτρους του προβλήματος. Υπό αυτό το πρίσμα, η αραιή έκφραση ενός συνόλου δεδομένων μπορεί να γίνει πιο αποτελεσματική αν το μητρώο που θα χρησιμοποιηθεί ως βάση για την αναπαράσταση των δεδομένων προσαρμοστεί στα ίδια τα δεδομένα με τη βοήθεια αλγορίθμων μηχανικής μάθησης. Η τεχνική αυτή, γνωστή ως εκμάθηση λεξικού (dictionary learning) αποτελεί ένα βήμα πιο μακριά στους αλγορίθμους επίλυσης αντίστροφων προβλημάτων. Στην παρούσα εργασία, μελετάται η εφαρμογή ενός από τους διαδεδομένους αλγορίθμους εκμάθησης λεξικού, του k-SVD, στην αποθορυβοποίηση σήματος ψηφιακής εικόνας για διάφορα είδη θορύβου. Ο συνδυασμός του αλγορίθμου k-SVD καθώς και αλγορίθμων αναπαράστασης σήματος σε αραιή μορφή, μπορεί να πετύχει, κατά περίπτωση, αρκετά ικανοποιητικά αποτελέσματα. Η εφαρμογή των αλγορίθμων πάνω σε ψηφιακές εικόνες, γίνεται για καθαρά λόγους οπτικοποίησης των αποτελεσμάτων. Συνεπώς, μπορούν να εφαρμοστούν για την αποθορυβοποίηση οποιουδήποτε σήματος κάτω από την κατάλληλη επιλογή παραμέτρων.","abstract_html":"Οι εφαρμογές αλγορίθμων μηχανικής μάθησης σε κλασικά προβλήματα της θεωρίας Επεξεργασίας Σήματος αποτελεί μια περιοχή με τεράστιο ερευνητικό ενδιαφέρον στις σημερινές ημέρες. Στην εποχή των &quot;Big Data&quot;, η αναπαράσταση των τεράστιων όγκων δεδομένων με συναρτήσεις λίγων μεταβλητών αποτελεί μία μεγάλη πρόκληση για τους επιστήμονες της πληροφορικής και των μαθηματικών. Θέτοντας το θέμα στη γεωμετρική του σκοπιά, στόχος είναι η αναπαράσταση των δεδομένων από έναν χώρο πολλών διαστάσεων σε έναν χώρο με λίγες διαστάσεις χωρίς να χαθεί σημαντική ποσότητα πληροφορίας. Η εν λόγω διαδικασία, γνωστή ως μείωση της διάστασης (dimensionality reduction), αποτελεί εκ φύσεως ένα δύσκολο πρόβλημα. Όσο και αν φαίνεται περίεργο, οι νόμοι της φύσης τείνουν να εφαρμοστούν ακόμη και στην επεξεργασία μεγάλων όγκων δεδομένων. Η φύση είναι &quot;φειδωλή&quot;, απορρίπτει τα περιττά στοιχεία και διατηρεί τα απολύτως αναγκαία. Επιστρέφοντας στον κόσμο των μαθηματικών και της πληροφορικής, το μαθηματικό εργαλείο που εκφράζει αυτή τη &quot;λιτότητα&quot; της φύσης είναι η αραιότητα (sparsity). Η έκφραση μιας μεγάλης ποσότητας δεδομένων με τη βοήθεια διανυσμάτων με λίγους συντελεστές και πολλά μηδενικά καθώς και με τη βοήθεια κατάλληλων μητρώων έχει προσελκύσει έντονο ερευνητικό ενδιαφέρον. Η &quot;αραιή&quot; έκφραση των δεδομένων αποκαλύπτει συγκεκριμένα μοτίβα στα δεδομένα τα οποία είναι δύσκολο να αποκαλυφθούν με κλασικούς αλγορίθμους συσχέτισης. Η αραιότητα δείχνει ότι σύνολα δεδομένων που φαίνονται εντελώς τυχαία, κρύβουν σχέσεις συσχέτισης. Αυτό που επίσης είναι εντυπωσιακό, είναι ότι μπορούμε να εκμεταλλευτούμε αυτή την παρουσία αραιών μορφών προκειμένου να απορρίψουμε τα ανεπιθύμητα δεδομένα που συνιστούν την έννοια του θορύβου. Ο θόρυβος ενυπάρχει σε όλα τα προβλήματα του πραγματικού κόσμου. Η ανίχνευση και η απόρριψή του αποτελεί ένα αντίστροφο πρόβλημα που είναι αδύνατο να λυθεί με ακρίβεια. Εντούτοις, η ύπαρξη αραιών μοντέλων για την έκφραση συνόλων δεδομένων μπορεί να απορρίψει με τη χρήση κατάλληλων αλγορίθμων τη μεγαλύτερη ποσότητα θορύβου. Η μηχανική μάθηση, από την άλλη πλευρά, συνίσταται σε αλγορίθμους που &quot;εκπαιδεύουν&quot; ένα σύστημα να εκτελέσει συγκεκριμένες διαδικασίες ανάλογα με τις παραμέτρους του προβλήματος. Υπό αυτό το πρίσμα, η αραιή έκφραση ενός συνόλου δεδομένων μπορεί να γίνει πιο αποτελεσματική αν το μητρώο που θα χρησιμοποιηθεί ως βάση για την αναπαράσταση των δεδομένων προσαρμοστεί στα ίδια τα δεδομένα με τη βοήθεια αλγορίθμων μηχανικής μάθησης. Η τεχνική αυτή, γνωστή ως εκμάθηση λεξικού (dictionary learning) αποτελεί ένα βήμα πιο μακριά στους αλγορίθμους επίλυσης αντίστροφων προβλημάτων. Στην παρούσα εργασία, μελετάται η εφαρμογή ενός από τους διαδεδομένους αλγορίθμους εκμάθησης λεξικού, του k-SVD, στην αποθορυβοποίηση σήματος ψηφιακής εικόνας για διάφορα είδη θορύβου. Ο συνδυασμός του αλγορίθμου k-SVD καθώς και αλγορίθμων αναπαράστασης σήματος σε αραιή μορφή, μπορεί να πετύχει, κατά περίπτωση, αρκετά ικανοποιητικά αποτελέσματα. Η εφαρμογή των αλγορίθμων πάνω σε ψηφιακές εικόνες, γίνεται για καθαρά λόγους οπτικοποίησης των αποτελεσμάτων. Συνεπώς, μπορούν να εφαρμοστούν για την αποθορυβοποίηση οποιουδήποτε σήματος κάτω από την κατάλληλη επιλογή παραμέτρων.","abstract_has_math":false,"creators":["Μαρκούτης Βασίλειος","Markoutis Vasilios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:27:11Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1324965"],"render_values":[{"text":"uoadl:1324965","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1324965","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1324965","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1324965","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαρκούτης Βασίλειος","Markoutis Vasilios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1324965","https://pergamos.lib.uoa.gr/uoa/dl/object/1324965"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι εφαρμογές αλγορίθμων μηχανικής μάθησης σε κλασικά προβλήματα της θεωρίας Επεξεργασίας Σήματος αποτελεί μια περιοχή με τεράστιο ερευνητικό ενδιαφέρον στις σημερινές ημέρες. Στην εποχή των \"Big Data\", η αναπαράσταση των τεράστιων όγκων δεδομένων με συναρτήσεις λίγων μεταβλητών αποτελεί μία μεγάλη πρόκληση για τους επιστήμονες της πληροφορικής και των μαθηματικών. Θέτοντας το θέμα στη γεωμετρική του σκοπιά, στόχος είναι η αναπαράσταση των δεδομένων από έναν χώρο πολλών διαστάσεων σε έναν χώρο με λίγες διαστάσεις χωρίς να χαθεί σημαντική ποσότητα πληροφορίας. Η εν λόγω διαδικασία, γνωστή ως μείωση της διάστασης (dimensionality reduction), αποτελεί εκ φύσεως ένα δύσκολο πρόβλημα. Όσο και αν φαίνεται περίεργο, οι νόμοι της φύσης τείνουν να εφαρμοστούν ακόμη και στην επεξεργασία μεγάλων όγκων δεδομένων. Η φύση είναι \"φειδωλή\", απορρίπτει τα περιττά στοιχεία και διατηρεί τα απολύτως αναγκαία. Επιστρέφοντας στον κόσμο των μαθηματικών και της πληροφορικής, το μαθηματικό εργαλείο που εκφράζει αυτή τη \"λιτότητα\" της φύσης είναι η αραιότητα (sparsity). Η έκφραση μιας μεγάλης ποσότητας δεδομένων με τη βοήθεια διανυσμάτων με λίγους συντελεστές και πολλά μηδενικά καθώς και με τη βοήθεια κατάλληλων μητρώων έχει προσελκύσει έντονο ερευνητικό ενδιαφέρον. Η \"αραιή\" έκφραση των δεδομένων αποκαλύπτει συγκεκριμένα μοτίβα στα δεδομένα τα οποία είναι δύσκολο να αποκαλυφθούν με κλασικούς αλγορίθμους συσχέτισης. Η αραιότητα δείχνει ότι σύνολα δεδομένων που φαίνονται εντελώς τυχαία, κρύβουν σχέσεις συσχέτισης. Αυτό που επίσης είναι εντυπωσιακό, είναι ότι μπορούμε να εκμεταλλευτούμε αυτή την παρουσία αραιών μορφών προκειμένου να απορρίψουμε τα ανεπιθύμητα δεδομένα που συνιστούν την έννοια του θορύβου. Ο θόρυβος ενυπάρχει σε όλα τα προβλήματα του πραγματικού κόσμου. Η ανίχνευση και η απόρριψή του αποτελεί ένα αντίστροφο πρόβλημα που είναι αδύνατο να λυθεί με ακρίβεια. Εντούτοις, η ύπαρξη αραιών μοντέλων για την έκφραση συνόλων δεδομένων μπορεί να απορρίψει με τη χρήση κατάλληλων αλγορίθμων τη μεγαλύτερη ποσότητα θορύβου. Η μηχανική μάθηση, από την άλλη πλευρά, συνίσταται σε αλγορίθμους που \"εκπαιδεύουν\" ένα σύστημα να εκτελέσει συγκεκριμένες διαδικασίες ανάλογα με τις παραμέτρους του προβλήματος. Υπό αυτό το πρίσμα, η αραιή έκφραση ενός συνόλου δεδομένων μπορεί να γίνει πιο αποτελεσματική αν το μητρώο που θα χρησιμοποιηθεί ως βάση για την αναπαράσταση των δεδομένων προσαρμοστεί στα ίδια τα δεδομένα με τη βοήθεια αλγορίθμων μηχανικής μάθησης. Η τεχνική αυτή, γνωστή ως εκμάθηση λεξικού (dictionary learning) αποτελεί ένα βήμα πιο μακριά στους αλγορίθμους επίλυσης αντίστροφων προβλημάτων. Στην παρούσα εργασία, μελετάται η εφαρμογή ενός από τους διαδεδομένους αλγορίθμους εκμάθησης λεξικού, του k-SVD, στην αποθορυβοποίηση σήματος ψηφιακής εικόνας για διάφορα είδη θορύβου. Ο συνδυασμός του αλγορίθμου k-SVD καθώς και αλγορίθμων αναπαράστασης σήματος σε αραιή μορφή, μπορεί να πετύχει, κατά περίπτωση, αρκετά ικανοποιητικά αποτελέσματα. Η εφαρμογή των αλγορίθμων πάνω σε ψηφιακές εικόνες, γίνεται για καθαρά λόγους οπτικοποίησης των αποτελεσμάτων. Συνεπώς, μπορούν να εφαρμοστούν για την αποθορυβοποίηση οποιουδήποτε σήματος κάτω από την κατάλληλη επιλογή παραμέτρων.","Machine learning algorithms can effectively apply on signal processing problems in a scientific area with wide research interest. One of the big data challenges is to represent large sets of data with mathematical functions consisted of a few variables. Viewing the geometric aspects of the problem, the goal is the representation of data from a higher to a lower subspace without the loss of a large amount of information. This procedure is called dimensionality reduction and it is a difficult problem. Surprisingly, nature's laws tend to fit well on the big data processing. Nature rejects every unecessary element expressing with this way its parsimony. In mathematical and information science world, this minimalism of nature corresponds to the concept of sparsity. The representation of large sets of data with sparse models reveals relationships between the elements of data and confirms that data on these sets are not randomly distributed. The remarkable in sparse models, is that sparse representations can reject the useless data defined as noise. Noise is present in every real life problem. The detection and rejection of noise refers to an inverse problem which is infeasible to be solved precisely. However, suitable algorithms using sparse models can reject a large amount of noise on a set of data. On the other hand, machine learning consists of algorithms which can train a system in order to execute specific procedures depending on the parameters of the problem. From this point of view, sparse representations of a large set of data can be more effective if the dictionary which is used for the sparse model can be resulted from the existing data after the appliance of machine learning algorithms. This technique is called dictionary learning and has introduced modern aspects to the solutions of inverse problems. In the work at hand, the k-SVD algorithm, which is one of the most famous dictionary learning algorithms, is studied in image denoising problems for different kinds of noise. The k-SVD algorithm in combination with sparse representations algorithms can achieve quite competitive results in image denoising. Digital images are only used for the visualization of the results. Consequently, these algorithms can be used and in other types of signals by the appropriate choice of parameters."]},{"key":"dc:title","label":"Title","values":["Αποθορυβοποίηση εικόνας μέσω του αλγορίθμου k-SVD"]}]}],"canonical_facts":{"dc:creator":["Μαρκούτης Βασίλειος","Markoutis Vasilios"],"dc:date":["2016"],"dc:description":["Οι εφαρμογές αλγορίθμων μηχανικής μάθησης σε κλασικά προβλήματα της θεωρίας Επεξεργασίας Σήματος αποτελεί μια περιοχή με τεράστιο ερευνητικό ενδιαφέρον στις σημερινές ημέρες. Στην εποχή των \"Big Data\", η αναπαράσταση των τεράστιων όγκων δεδομένων με συναρτήσεις λίγων μεταβλητών αποτελεί μία μεγάλη πρόκληση για τους επιστήμονες της πληροφορικής και των μαθηματικών. Θέτοντας το θέμα στη γεωμετρική του σκοπιά, στόχος είναι η αναπαράσταση των δεδομένων από έναν χώρο πολλών διαστάσεων σε έναν χώρο με λίγες διαστάσεις χωρίς να χαθεί σημαντική ποσότητα πληροφορίας. Η εν λόγω διαδικασία, γνωστή ως μείωση της διάστασης (dimensionality reduction), αποτελεί εκ φύσεως ένα δύσκολο πρόβλημα. Όσο και αν φαίνεται περίεργο, οι νόμοι της φύσης τείνουν να εφαρμοστούν ακόμη και στην επεξεργασία μεγάλων όγκων δεδομένων. Η φύση είναι \"φειδωλή\", απορρίπτει τα περιττά στοιχεία και διατηρεί τα απολύτως αναγκαία. Επιστρέφοντας στον κόσμο των μαθηματικών και της πληροφορικής, το μαθηματικό εργαλείο που εκφράζει αυτή τη \"λιτότητα\" της φύσης είναι η αραιότητα (sparsity). Η έκφραση μιας μεγάλης ποσότητας δεδομένων με τη βοήθεια διανυσμάτων με λίγους συντελεστές και πολλά μηδενικά καθώς και με τη βοήθεια κατάλληλων μητρώων έχει προσελκύσει έντονο ερευνητικό ενδιαφέρον. Η \"αραιή\" έκφραση των δεδομένων αποκαλύπτει συγκεκριμένα μοτίβα στα δεδομένα τα οποία είναι δύσκολο να αποκαλυφθούν με κλασικούς αλγορίθμους συσχέτισης. Η αραιότητα δείχνει ότι σύνολα δεδομένων που φαίνονται εντελώς τυχαία, κρύβουν σχέσεις συσχέτισης. Αυτό που επίσης είναι εντυπωσιακό, είναι ότι μπορούμε να εκμεταλλευτούμε αυτή την παρουσία αραιών μορφών προκειμένου να απορρίψουμε τα ανεπιθύμητα δεδομένα που συνιστούν την έννοια του θορύβου. Ο θόρυβος ενυπάρχει σε όλα τα προβλήματα του πραγματικού κόσμου. Η ανίχνευση και η απόρριψή του αποτελεί ένα αντίστροφο πρόβλημα που είναι αδύνατο να λυθεί με ακρίβεια. Εντούτοις, η ύπαρξη αραιών μοντέλων για την έκφραση συνόλων δεδομένων μπορεί να απορρίψει με τη χρήση κατάλληλων αλγορίθμων τη μεγαλύτερη ποσότητα θορύβου. Η μηχανική μάθηση, από την άλλη πλευρά, συνίσταται σε αλγορίθμους που \"εκπαιδεύουν\" ένα σύστημα να εκτελέσει συγκεκριμένες διαδικασίες ανάλογα με τις παραμέτρους του προβλήματος. Υπό αυτό το πρίσμα, η αραιή έκφραση ενός συνόλου δεδομένων μπορεί να γίνει πιο αποτελεσματική αν το μητρώο που θα χρησιμοποιηθεί ως βάση για την αναπαράσταση των δεδομένων προσαρμοστεί στα ίδια τα δεδομένα με τη βοήθεια αλγορίθμων μηχανικής μάθησης. Η τεχνική αυτή, γνωστή ως εκμάθηση λεξικού (dictionary learning) αποτελεί ένα βήμα πιο μακριά στους αλγορίθμους επίλυσης αντίστροφων προβλημάτων. Στην παρούσα εργασία, μελετάται η εφαρμογή ενός από τους διαδεδομένους αλγορίθμους εκμάθησης λεξικού, του k-SVD, στην αποθορυβοποίηση σήματος ψηφιακής εικόνας για διάφορα είδη θορύβου. Ο συνδυασμός του αλγορίθμου k-SVD καθώς και αλγορίθμων αναπαράστασης σήματος σε αραιή μορφή, μπορεί να πετύχει, κατά περίπτωση, αρκετά ικανοποιητικά αποτελέσματα. Η εφαρμογή των αλγορίθμων πάνω σε ψηφιακές εικόνες, γίνεται για καθαρά λόγους οπτικοποίησης των αποτελεσμάτων. Συνεπώς, μπορούν να εφαρμοστούν για την αποθορυβοποίηση οποιουδήποτε σήματος κάτω από την κατάλληλη επιλογή παραμέτρων.","Machine learning algorithms can effectively apply on signal processing problems in a scientific area with wide research interest. One of the big data challenges is to represent large sets of data with mathematical functions consisted of a few variables. Viewing the geometric aspects of the problem, the goal is the representation of data from a higher to a lower subspace without the loss of a large amount of information. This procedure is called dimensionality reduction and it is a difficult problem. Surprisingly, nature's laws tend to fit well on the big data processing. Nature rejects every unecessary element expressing with this way its parsimony. In mathematical and information science world, this minimalism of nature corresponds to the concept of sparsity. The representation of large sets of data with sparse models reveals relationships between the elements of data and confirms that data on these sets are not randomly distributed. The remarkable in sparse models, is that sparse representations can reject the useless data defined as noise. Noise is present in every real life problem. The detection and rejection of noise refers to an inverse problem which is infeasible to be solved precisely. However, suitable algorithms using sparse models can reject a large amount of noise on a set of data. On the other hand, machine learning consists of algorithms which can train a system in order to execute specific procedures depending on the parameters of the problem. From this point of view, sparse representations of a large set of data can be more effective if the dictionary which is used for the sparse model can be resulted from the existing data after the appliance of machine learning algorithms. This technique is called dictionary learning and has introduced modern aspects to the solutions of inverse problems. In the work at hand, the k-SVD algorithm, which is one of the most famous dictionary learning algorithms, is studied in image denoising problems for different kinds of noise. The k-SVD algorithm in combination with sparse representations algorithms can achieve quite competitive results in image denoising. Digital images are only used for the visualization of the results. Consequently, these algorithms can be used and in other types of signals by the appropriate choice of parameters."],"dc:identifier":["uoadl:1324965","https://pergamos.lib.uoa.gr/uoa/dl/object/1324965"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Αποθορυβοποίηση εικόνας μέσω του αλγορίθμου k-SVD"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:27:11Z"}