CN105872315B - 一种针对混合噪声的视频去噪方法 - Google Patents
一种针对混合噪声的视频去噪方法 Download PDFInfo
- Publication number
- CN105872315B CN105872315B CN201610199938.XA CN201610199938A CN105872315B CN 105872315 B CN105872315 B CN 105872315B CN 201610199938 A CN201610199938 A CN 201610199938A CN 105872315 B CN105872315 B CN 105872315B
- Authority
- CN
- China
- Prior art keywords
- image block
- block group
- kth
- similar image
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- QIVUCLWGARAQIO-OLIXTKCUSA-N (3s)-n-[(3s,5s,6r)-6-methyl-2-oxo-1-(2,2,2-trifluoroethyl)-5-(2,3,6-trifluorophenyl)piperidin-3-yl]-2-oxospiro[1h-pyrrolo[2,3-b]pyridine-3,6'-5,7-dihydrocyclopenta[b]pyridine]-3'-carboxamide Chemical class C1([C@H]2[C@H](N(C(=O)[C@@H](NC(=O)C=3C=C4C[C@]5(CC4=NC=3)C3=CC=CN=C3NC5=O)C2)CC(F)(F)F)C)=C(F)C=CC(F)=C1F QIVUCLWGARAQIO-OLIXTKCUSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Picture Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种针对混合噪声的视频去噪方法，包括：对含噪视频序列中的每个图像块进行块匹配，确定对应的相似图像块组，将所述含噪视频序列中所有视频块对应的相似图像块组构成相似图像块组集合；对相似图像块组集合中的每个相似图像块组Mi，根据该相似图像块组的局部相似性信息，确定去噪后的相似图像块组L；将相似图像块组集合中的所有去噪后的相似图像块组，重新组成视频序列并保存或输出。通过上述方式，不仅考虑视频内的非局部相似性，同时还考虑了局部相似性进行视频去噪，有效提高了去噪的性能和效果。
Description
技术领域
本申请涉及视频处理技术，特别涉及视频处理技术中一种多针对混合噪声的视频去噪方法。
背景技术
视频数据在采集、传输和储存时，很容易受到多种类型的噪声的影响。例如，视频数据在光线不足的条件下采集时，由于光学传感器的物理特性的限制，易引入高斯噪声；视频数据在传输时，易受到随机脉冲噪声的损坏，包括电磁干扰以及通信系统的故障和缺陷。针对高斯噪声和脉冲噪声这两类常见的干扰噪声，需要研究有效的视频去噪方法，即从遭受到混合噪声污染的视频数据中恢复出原始视频数据。
传统的去噪方法大多数采用局部去噪的思想，其中较为有效的方法是采用总变分(Total Variation，TV)模型。但是，仅采用局部去噪的方法容易丢失图像细节信息，使得去噪后的图像过于平滑。
采用非局部的去噪方法能够相对较好地保持图像细节纹理。例如，基于块匹配及高维滤波的视频去噪方法BM4D，将非局部均值(nonlocal means,NLM)模型与TV模型结合而形成的正则化模型TV-NLM等。但是，大部分非局部的去噪方法仅针对加性高斯噪声设计，并不能有效去除脉冲噪声。
目前，已经有一些同时去除脉冲噪声和加性高斯噪声的方法。例如，采用块匹配将待处理视频分解为若干相似图像块组，并将每个图像块组分解为低秩矩阵和稀疏矩阵之和，分解出的稀疏矩阵即为脉冲噪声，低秩矩阵即为去噪后的图像块组。上述去噪方法的性能虽然得到了进一步的提升，但是仍然有继续提升的空间。
发明内容
有鉴于此，本申请的主要目的在于提供一种针对混合噪声的视频去噪方法，能够克服传统方法在性能上的不足，在相同的噪声条件下可以获得更高质量的视频。
为达到上述目的，本申请采用如下技术方案：
一种针对混合噪声的视频去噪方法，包括：
a、对含噪视频序列中的每个图像块进行块匹配，确定对应的相似图像块组，将所述含噪视频序列中所有视频块对应的相似图像块组构成相似图像块组集合；
b、对所述相似图像块组集合中的每个相似图像块组Mi，根据该相似图像块组的局部相似性信息，通过求解确定去噪后的相似图像块组L；其中，Mi为一个图像块组中的各个图像块数据按照列向量排列构成的矩阵，L是去噪后的相似图像块组中各个图像块数据按照列向量排列构成的矩阵，S是分离出的脉冲噪声分量按照列向量排列构成的矩阵，D3是三维残差梯度算子，D3L代表首先将矩阵L中的各列两两相减取残差再计算残差的梯度值，E是L的第一近似变量，d1是L的第二近似变量，d2是D3E的近似变量，d3是S的近似变量，b1、b2和b3分别是Bregman迭代第一、第二、第三中间变量；α、β、γ、χ分别是预设的第一、第二、第三、第四权衡因子；
c、将相似图像块组集合中的所有去噪后的相似图像块组，重新组成视频序列并保存或输出。
较佳地，所述通过求解
确定去噪后的相似图像块组L包括：
通过求解去噪图像块组L子问题脉冲噪声分量S子问题去噪图像块组第一近似变量E子问题去噪图像块组第二近似变量d1子问题三维残差梯度近似变量d2子问题和脉冲噪声分量近似变量d3子问题计算去噪后的相似图像块组L；其中，λ1，λ2、λ3是预设的第五、第六、第七权衡因子，d1是L的第二近似变量，d2是D3E的近似变量，d3是S的近似变量，b1、b2和b3分别是Bregman迭代第一、第二、第三中间变量。
较佳地，所述计算去噪后的相似图像块组L包括：
b1、将变量L、S、E、d1、d2、d3、b1、b2、b3分别初始化为Mi、0、Mi、Mi、D3Mi、0、0、0、0，设迭代次数k＝0；
b2、根据第k次更新后的S、E、d1、b1进行L的第k+1次更新，得到根据第k+1次更新后的L和第k次更新后的d3、b3进行S的第k+1次更新，得到根据第k+1次更新后的L和第k次更新后的d2、b2进行E的第k+1次更新，得到其中，I代表单位矩阵；
b3、对变量d1进行第k+1次更新，得到其中，U、A、V分别是将矩阵进行奇异值分解后得到的左正交基、对角矩阵、右正交基；shrink(·)是收缩算子；对变量d2进行第k+1次更新，得到对变量d3进行第k+1次更新，得到
b4、根据第k次更新后的b1、d1和第k+1次更新后的L进行b1的第k+1次更新，得到根据第k次更新后的b2、d2和第k+1次更新后的E进行b2的第k+1次更新，得到根据第k次更新后的b3、d3和第k+1次更新后的S进行b3的第k+1次更新，得到
b5、将k进行自加后返回步骤b1，直到达到预设的循环终止条件，并将当前第k+1次更新后的L作为去噪后的相似图像块组。
较佳地，采用梯度下降法计算
较佳地，所述循环终止条件为：循环迭代次数k+1达到预设的循环次数上限时，终止循环；或者，变量L的相对变化值||Lk+1-Lk||F/||Lk||F小于预先设定的循环终止门限时，终止循环。
较佳地，所述循环上限为30，和/或，循环终止门限为10-4。
由上述技术方案可见，本申请中，首先对含噪视频进行块匹配，得到相似图像块组集合；接下来，为每个相似图像块组分别建立去噪相似图像块组子问题、脉冲噪声分量子问题、去噪图像块组第一近似变量子问题、去噪图像块组第二近似变量子问题、三维残差梯度近似变量子问题、脉冲噪声分量近似变量子问题，并交替迭代求解各子问题；在每次迭代结束前，更新Bregman迭代中间变量；在达到预设的循环终止条件后，将最近更新的去噪相似图像块组进行保存。通过上述方式，不仅考虑视频内的非局部相似性，同时还考虑了局部相似性进行视频去噪，有效提高了去噪的性能和效果。
附图说明
图1为本发明所采用的针对混合噪声的视频去噪方法流程图；
图2a为包含脉冲噪声和高斯噪声的测试视频序列“Bus”；
图2b为采用中值滤波结合BM4D的方法去噪后的视频序列“Bus”；
图2c为采用本申请实施例的方法去噪后的视频序列“Bus”；
图3a为包含脉冲噪声和高斯噪声的测试视频序列“Mobile”；
图3b为采用中值滤波结合BM4D的方法去噪后的视频序列“Mobile”；
图3c为采用本申请实施例的方法去噪后的视频序列“Mobile”。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。
首先，分析背景技术中去噪方法存在的问题及其原因。对于背景技术中提到的采用块匹配分解为若干相似图像块组并分解为低秩矩阵和稀疏矩阵之和的方法，虽然能够同时去除脉冲噪声和加性高斯噪声，但是在去噪处理的过程中，没有考虑图像块组在梯度域上的稀疏特性，也就是说，该方法仅利用了视频内的非局部相似性，而没有利用局部相似性，因此导致其去噪效果仍然不够理想。
基于上述对现有去噪方法性能缺陷的原因分析，本发明提出一种全新的混合噪声的视频去噪方法，充分利用视频内的局部相似性以及非局部相似性，以进一步提升去噪后视频的质量。具体地，本申请提出的视频去噪方法中，对含噪视频使用块匹配分解成多个相似图像块组，利用相似图像块组的低秩特性以及局部先验信息建立最优化问题，用于进行视频去噪处理，具体包括：
步骤a，对含噪视频序列中的每个图像块进行块匹配，确定对应的相似图像块组，将含噪视频序列中所有视频块对应的相似图像块组构成相似图像块组集合。
具体地，在包含脉冲噪声以及高斯噪声的含噪视频序列上进行块匹配，得到含噪相似图像块组集合{Mi}。其中，集合{Mi}将含噪相似图像块组中的每个正方形图像块数据按照列向量排列，Mi代表第i个含噪相似图像块组形成的矩阵。块匹配为现有技术，例如，可以将图像块大小选取为8×8，对每个图像块，在前后50帧上寻找共计250个与其最相似的图像块形成一个相似图像块组。在得到所有相似图像块组后，对每个含噪相似图像块组执行下述步骤进行噪声去除。
步骤b，对相似图像块组集合中的每个相似图像块组Mi，根据该相似图像块组的局部相似性信息，确定去噪后的相似图像块组L。
首先，介绍一下利用相似图像块组低秩特性和局部先验信息建立的最优化问题。
在进行去噪处理时，以相似图像块组为单位进行，最优化问题也是针对每个相似图像块组建立的。设置L表示去噪后的相似图像块组中各个图像块数据按照列向量排列构成的矩阵，S表示分离出的脉冲噪声分量按照列向量排列构成的矩阵。本申请中引入相似图像块组梯度域的处理来表示相似图像块组的局部相似性信息，具体地，利用min||D3L||1来表征局部相似性，其中，D3是三维残差梯度算子，D3L代表首先将矩阵L中的各列两两相减取残差再计算残差的梯度值，||·||1表示取1范数，将该取1范数后的结果最小化即能够反映相似图像块组的局部相似性。
具体地，最基本的最优化问题为
在上述最优化问题中，引入了||D3L||1，同时利用对整个求和结果进行的最小化，间接实现了的||D3L||1最小化，从而使得上述最优化问题(1)考虑了相似图像组的局部相似性信息，正是由此，使得去噪后的相似图像块组既能够同时去除脉冲噪声和高斯加性噪声，同时还考虑了视频的局部相似性，因此去噪效果优于现有技术。
为进行公式(1)的求解，引入了新的变量E,d1,d2,d3，基于引入的新变量，将公式(1)中最基本的最优化问题进一步变形为如下形式：
其中，E是L的第一近似变量，d1是L的第二近似变量，d2是D3E的近似变量，d3是S的近似变量，b1、b2和b3分别是Bregman迭代第一、第二、第三中间变量；α、β、γ、χ分别是预设的第一、第二、第三、第四权衡因子。上述公式(2)即为本申请中设置的最优化问题的最终形式。通过求解公式(2)确定去噪后的相似图像块组，在公式(2)中的D3E近似于公式(1)中的D3L，因此，的最小化也就反映了相似图像块组的局部相似性，从而保证确定出的去噪后的相似图像块组能够获得较好的图像质量。
在利用公式(2)确定去噪后的相似图像块组L时，可以采用各种可行的方法对公式(2)进行求解，本申请对于具体的求解方式不做限定。同时，无论采用何种求解方法，确定出的L都利用了局部相似性信息，因此，去噪后的相似图像块组均能够具备更优的图像质量。
步骤c，将所有去噪后的相似图像块组排列成视频序列保存或输出。
至此，即完成了本申请中的针对混合噪声的视频去噪方法。
下面针对公式(2)，给出一种具体的求解方式。当然，本申请不限于该求解方式。具体地，可以将公式(2)分解成若干子问题再交替迭代进行求解。更详细地，为每个相似图像块组分别建立去噪相似图像块组L子问题脉冲噪声分量S子问题去噪图像块组第一近似变量E子问题去噪图像块组第二近似变量d1子问题三维残差梯度近似变量d2子问题脉冲噪声分量近似变量d3子问题求解该六个子问题，从而确定去噪后的相似图像块组L。具体地，可以通过交替迭代求解上述各子问题；并在每次迭代结束前，更新Bregman迭代中间变量；在达到预设的循环终止条件后，将最近更新的去噪相似图像块组进行保存。
下面通过具体实施例说明本申请的具体实现。图1为本申请所采用的针对混合噪声的视频去噪方法流程图。如图1所示，该方法包括以下步骤：
步骤100：对含噪视频进行块匹配，得到相似图像块组集合。
本步骤的处理与前述步骤a相同，这里就不再赘述。
步骤101：设置i＝1。
这里，i代表相似图像块组的序号，初始值为1。
步骤102：设置k＝0，初始化相关变量。
这里，k代表循环的迭代次数，初始值为1。将变量L、S、E、d1、d2、d3、b1、b2、b3分别初始化为Mi、0、Mi、Mi、D3Mi、0、0、0、0。
其中，L是去噪后的相似图像块组，S是分离出的脉冲噪声分量，E是L的第一近似变量，d1是L的第二近似变量，d2是D3E的近似变量，d3是S的近似变量，b1、b2和b3分别是Bregman迭代第一、第二、第三中间变量；D3是三维残差梯度算子，D3L代表首先将矩阵L中的各列两两相减取残差，再计算残差的梯度值。
步骤103：进行变量L、S、E的第k+1次更新。
具体地，如前所述，为了求解公式(2)，需要分别计算去噪图像块组L子问题
脉冲噪声分量S子问题
去噪图像块组第一近似变量E子问题
其中，α、β、γ、χ分别是预设的第一、第二、第三、第四权衡因子，在本实例中分别取经验值为α＝0.1σ，β＝0.01σ，γ＝0.01σ，χ＝0.03σ，σ是视频中高斯噪声的标准差。
其中，通过求解公式(3)，得到变量L的第k+1次更新的计算公式为
通过求解公式(4)，得到变量S的第k+1次更新的计算公式为
通过求解公式(5)，得到变量E的第k+1次更新的计算公式为
其中，I是单位矩阵；在计算时，需要进行矩阵求逆，为了降低复杂度，优选地，可以采用梯度下降法计算公式(8)。梯度下降法是现有技术，在此不再赘述。
步骤104：进行变量d1、d2和d3的第k+1次更新。
具体地，为了求解公式(2)，需要分别求解去噪图像块组第二近似变量d1子问题
三维残差梯度近似变量d2子问题
脉冲噪声矩阵近似变量d3子问题
其中，λ1，λ2和λ3是预设的第五、第六、第七权衡因子，在本实例中分别取经验值为10α，20β和100γ。
其中，通过求解公式(9)，得到d1的第k+1次更新的计算公式为
其中，U、A、V分别是将矩阵进行奇异值分解后得到的左正交基、对角矩阵、右正交基；shrink(·)是收缩算子，为现有技术，在此不再赘述。
通过求解公式(10)，得到d2的第k+1次更新的计算公式为
通过求解公式(11)，得到d3的第k+1次更新的计算公式为
步骤105：进行变量b1、b2和b3的第k+1次更新。
具体地，根据Bregman迭代方法，b1、b2和b3的第k+1次更新的计算公式分别为
步骤106：判断是否满足循环迭代终止条件，若循环迭代终止条件满足，则进入步骤107；否则将k自加返回步骤103。
具体的循环迭代终止条件可以根据性能需求和复杂度进行设定，本申请不做限定。例如可以在下述任一条件满足时，认为循环迭代终止条件满足：
A、迭代次数k+1到达内循环上限N。N可以根据实际需求设定，基于复杂度和方法性能的权衡考虑，在本实例中N取值为30；
B、变量L的相对变化值过小，即：||Lk+1-Lk||F/||Lk||F<τ。其中Lk代表第k次迭代下L的更新值，τ是门限值，τ的具体取值可以根据实际需求设定，基于复杂度和方法性能的权衡考虑，在本实例中取值为10-4。
步骤107：将最近更新的L作为去噪后的第i个相似图像块组保存。
步骤108：判断是否已经处理所有的相似图像块组，若处理完毕，则进入步骤109；否则将i自加返回步骤102。
步骤109：将所有去噪后的相似图像块组排列成视频序列保存或输出。
至此，即完成了本实施例中的针对混合噪声的视频去噪方法。
需要进一步说明的是，本申请中的混合噪声的视频去噪方法只适用于同时受到高斯噪声和脉冲噪声干扰的视频序列中的噪声去除技术。
为说明本申请重建方法的性能，在Matlab平台中进行仿真，分别采用图1所述实施例中的重建方法与现有的中值滤波结合BM4D的视频去噪方法进行比较。采用的测试视频序列为“Bus”、“Tempete”和“Mobile”；图像尺寸为352×288。
表1展示了在不同级别的高斯噪声和脉冲噪声干扰下，3个测试图像的去噪结果峰值信噪比(Peak Signal to Noise Ratio,PSNR)比较。其中，σ代表高斯噪声的标准差，p代表脉冲噪声出现的概率。从表1的结果可知，本发明方法效果明显好于中值滤波结合BM4D的视频去噪方法，特别是对于“Mobile”序列，PSNR的增益在所有噪声条件下均达到或超过4dB。
图2a和图3a分别给出了在噪声级别为(σ＝10,p＝15％)的前提下“Bus”序列和“Mobile”序列下的原始含噪视频、中值滤波结合BM4D的视频去噪方法结果以及本发明方法的结果的主观质量比较。从图2b和图3b中可以看出，采用中值滤波结合BM4D的方法得到的结果过于平滑，图像细节信息丢失明显，并且由于脉冲噪声去除不彻底，图2b和图3b对应的彩色图像会明显看到出现了伪色彩；从图2c和图3c中可以看出，采用本实施例中的去噪方法，有明显的主观质量提升，边缘和细节信息更为清晰。
表1不同噪声条件下测试序列的PSNR比较(dB)
总之，采用本申请所述的方法，能够充分利用视频内的非局部相似性以及局部相似性，建立最优化问题并交替迭代求解，从而克服传统视频去噪方法的不足，大幅度提升去噪视频质量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (6)
1.一种针对混合噪声的视频去噪方法，其特征在于，该方法包括：
a、对含噪视频序列中的每个图像块进行块匹配，确定对应的相似图像块组，将所述含噪视频序列中所有视频块对应的相似图像块组构成相似图像块组集合；
b、对所述相似图像块组集合中的每个相似图像块组Mi，根据该相似图像块组的局部相似性信息，通过求解确定去噪后的相似图像块组L；其中，Mi为一个图像块组中的各个图像块数据按照列向量排列构成的矩阵，L是去噪后的相似图像块组中各个图像块数据按照列向量排列构成的矩阵，S是分离出的脉冲噪声分量按照列向量排列构成的矩阵，E是L的第一近似变量，D3是三维残差梯度算子，D3E代表首先将矩阵E中的各列两两相减取残差再计算残差的梯度值，d1是L的第二近似变量，d2是D3E的近似变量，d3是S的近似变量，b1、b2和b3分别是Bregman迭代第一、第二、第三中间变量；α、β、γ、χ分别是预设的第一、第二、第三、第四权衡因子；
c、将相似图像块组集合中的所有去噪后的相似图像块组，重新组成视频序列并保存或输出。
2.根据权利要求1所述的方法，其特征在于，所述通过求解
确定去噪后的相似图像块组L包括：
通过求解去噪图像块组L子问题脉冲噪声分量S子问题去噪图像块组第一近似变量E子问题去噪图像块组第二近似变量d1子问题三维残差梯度近似变量d2子问题和脉冲噪声分量近似变量d3子问题计算去噪后的相似图像块组L；其中，λ1，λ2、λ3是预设的第五、第六、第七权衡因子，d1是L的第二近似变量，d2是D3E的近似变量，d3是S的近似变量，b1、b2和b3分别是Bregman迭代第一、第二、第三中间变量。
3.根据权利要求2所述的方法，其特征在于，所述计算去噪后的相似图像块组L包括：
b1、将变量L、S、E、d1、d2、d3、b1、b2、b3分别初始化为Mi、0、Mi、Mi、D3Mi、0、0、0、0，设迭代次数k＝0；
b2、根据第k次更新后的S、E、d1、b1进行L的第k+1次更新，得到根据第k+1次更新后的L和第k次更新后的d3、b3进行S的第k+1次更新，得到根据第k+1次更新后的L和第k次更新后的d2、b2进行E的第k+1次更新，得到其中，I代表单位矩阵；
b3、对变量d1进行第k+1次更新，得到其中，U、A、V分别是将矩阵进行奇异值分解后得到的左正交基、对角矩阵、右正交基；shrink(·)是收缩算子；对变量d2进行第k+1次更新，得到对变量d3进行第k+1次更新，得到
b4、根据第k次更新后的b1、d1和第k+1次更新后的L进行b1的第k+1次更新，得到根据第k次更新后的b2、d2和第k+1次更新后的E进行b2的第k+1次更新，得到根据第k次更新后的b3、d3和第k+1次更新后的S进行b3的第k+1次更新，得到
b5、将k进行自加后返回步骤b1，直到达到预设的循环终止条件，并将当前第k+1次更新后的L作为去噪后的相似图像块组。
4.根据权利要求3所述的方法，其特征在于，采用梯度下降法计算
5.根据权利要求3所述的方法，其特征在于，所述循环终止条件为：循环迭代次数k+1达到预设的循环次数上限时，终止循环；或者，变量L的相对变化值||Lk+1-Lk||F/||Lk||F小于预先设定的循环终止门限时，终止循环。
6.根据权利要求5所述的方法，其特征在于，所述循环上限为30，和/或，循环终止门限为10-4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610199938.XA CN105872315B (zh) | 2016-04-01 | 2016-04-01 | 一种针对混合噪声的视频去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610199938.XA CN105872315B (zh) | 2016-04-01 | 2016-04-01 | 一种针对混合噪声的视频去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105872315A CN105872315A (zh) | 2016-08-17 |
| CN105872315B true CN105872315B (zh) | 2019-03-08 |
Family
ID=56627596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610199938.XA Active CN105872315B (zh) | 2016-04-01 | 2016-04-01 | 一种针对混合噪声的视频去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105872315B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895503A (zh) * | 2017-11-07 | 2018-04-10 | 钟永松 | 一种无人值守的停车场监控系统 |
| CN112883916B (zh) * | 2021-03-22 | 2022-05-06 | 中国人民解放军国防科技大学 | 一种基于图像块相似性先验的视频去噪方法 |
| CN113378415B (zh) * | 2021-08-12 | 2021-11-02 | 西南科技大学 | 基于局部和全局约束的多媒体数据自适应恢复方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093434A (zh) * | 2013-01-27 | 2013-05-08 | 西安电子科技大学 | 基于奇异值分解的非局部维纳滤波图像去噪方法 |
| CN104159003A (zh) * | 2014-08-21 | 2014-11-19 | 武汉大学 | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及系统 |
| CN104952051A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于高斯混合模型的低秩图像修复方法 |
| CN105279740A (zh) * | 2015-11-17 | 2016-01-27 | 华东交通大学 | 一种基于稀疏正则化的图像去噪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014078985A1 (en) * | 2012-11-20 | 2014-05-30 | Thomson Licensing | Method and apparatus for image regularization |
-
2016
- 2016-04-01 CN CN201610199938.XA patent/CN105872315B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093434A (zh) * | 2013-01-27 | 2013-05-08 | 西安电子科技大学 | 基于奇异值分解的非局部维纳滤波图像去噪方法 |
| CN104159003A (zh) * | 2014-08-21 | 2014-11-19 | 武汉大学 | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及系统 |
| CN104952051A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于高斯混合模型的低秩图像修复方法 |
| CN105279740A (zh) * | 2015-11-17 | 2016-01-27 | 华东交通大学 | 一种基于稀疏正则化的图像去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105872315A (zh) | 2016-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
| CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
| CN106204468B (zh) | 一种基于ReLU卷积神经网络的图像去噪方法 | |
| CN109087255B (zh) | 一种基于混合损失的轻量级深度图像去噪方法 | |
| CN102184533B (zh) | 基于非局部约束的全变分图像去模糊方法 | |
| CN104992415B (zh) | 一种基于全变差和小波变换的图像去噪方法及系统 | |
| CN109493295B (zh) | 一种非局部哈尔变换图像去噪方法 | |
| CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
| CN110390646B (zh) | 一种细节保持图像去噪方法 | |
| CN111192226B (zh) | 一种图像融合去噪方法及装置、系统 | |
| CN105872315B (zh) | 一种针对混合噪声的视频去噪方法 | |
| CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
| CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
| CN106791273A (zh) | 一种结合帧间信息的视频盲复原方法 | |
| CN111340716A (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
| CN107301662A (zh) | 深度图像的压缩恢复方法、装置、设备及存储介质 | |
| Cozzolino et al. | Nonlocal SAR image despeckling by convolutional neural networks | |
| Yeh et al. | Single image dehazing via deep learning-based image restoration | |
| CN107369139B (zh) | 一种基于混合数据拟合与加权全变差的噪声图像去模糊方法 | |
| CN107292855A (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
| CN106803236B (zh) | 基于模糊域奇异值分解的非均匀性校正方法 | |
| Gao et al. | Image denoising based on edge detection and prethresholding Wiener filtering of multi-wavelets fusion | |
| CN116051396B (zh) | 一种基于特征增强网络和gru网络的图像去噪方法 | |
| CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
| CN109285125B (zh) | 各向异性多方向全变差图像去噪方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |