CN107358589B - 一种结合梯度直方图与低秩约束的去噪方法 - Google Patents
一种结合梯度直方图与低秩约束的去噪方法 Download PDFInfo
- Publication number
- CN107358589B CN107358589B CN201710581668.3A CN201710581668A CN107358589B CN 107358589 B CN107358589 B CN 107358589B CN 201710581668 A CN201710581668 A CN 201710581668A CN 107358589 B CN107358589 B CN 107358589B
- Authority
- CN
- China
- Prior art keywords
- image
- indicate
- log
- domain
- formula
- 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 19
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 239000000654 additive Substances 0.000 abstract description 2
- 230000000996 additive effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000004691 coupled cluster theory Methods 0.000 description 6
- 239000010902 straw Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G06T5/70—
Abstract
本发明公开了一种结合梯度直方图与低秩约束的去噪方法,其在稀疏先验和其他非局部自相似先验的基础上,利用稀疏表示的优势,加入非局部正则项,梯度正则项和低秩约束项去除乘性噪声。本发明的优点是把乘性噪声模型通过对数变换变成对数域中的加性噪声模型,利用噪声图像在对数域中训练的字典,把图像的梯度直方图估计和低秩约束相结合,增强了图像局部和非局部之间的联系,在有效去噪的同时,更好的保留了图像的纹理信息。实验结果在主观视觉和客观评价指标两方面均取得较好的效果,很大程度上保存了图像的精细纹理结构,使得去噪后的图像更加清晰。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及一种结合梯度直方图与低秩约束的去噪方法。
背景技术
图像噪声移除是数字图像处理最基本的问题之一,图像或多或少不可避免的被随机噪声污染,乘性噪声的数学模型为:y=x·v,其中y是噪声图像,x表示原始图像,v为噪声。稀疏先验和非局部自相似先验被广泛用于图像去噪。此外,稀疏先验和其他非局部自相似先验的联合使用,也产生了许多先进的图像去噪算法。如利用曲波变换作为其结构和用l1范数作用于稀疏编码系数的图像去噪算法(DFN模型)、通过在对数域中利用MAP估计与稀疏表示的稀疏正则化变分的图像去噪算法(HFB模型)、在对数域中学习了K-SVD字典,在学习字典的基础上建立了变分法去除乘性噪声的图像去噪算法(HMNZ模型)和基于线性技术的图像去噪算法(CC模型)等。然而,由于在信号的高频部分,会出现噪声和图像的细节信息同时存在的现象,所以很多现存的去噪算法在去噪的同时会把图像的重要特征平滑掉,使得去噪图像效果不佳。
发明内容
本发明所要解决的技术问题是现有去噪方法存在去噪效果不佳的问题,提供一种结合梯度直方图与低秩约束的去噪方法。
为解决上述问题,本发明是通过以下技术方案实现的:
一种结合梯度直方图与低秩约束的去噪方法,包括如下步骤:
步骤1,对含噪图像进行对数变换,得到对数域中的含噪图像f;
步骤2,初始化迭代次数k=1、对数域中的待恢复的图像z(0)=f和第一辅助变量
步骤3,利用滑动窗口将对数域中的待恢复的图像z(k-1)进行分块,并利用K-均值将这些图像块进行聚类;
步骤4,先计算每一个聚类的子字典,并获得每一个图像块xi所对应的稀疏编码再将所有聚类的子字典进行拼接后得到图像的稀疏表示字典D(k-1);
步骤5,对于每个图像块,利用欧式距离找到其对应的非局部相似块,并对这些非局部相似块进行加权,得到每个图像块xi的非局部估计值μi (k-1);
步骤6,对对数域中的待恢复的图像z(k-1)进行奇异值分解,得到相应的对角矩阵∑(k-1)、左酉矩阵Q(k-1)和右酉矩阵V(k-1);
步骤7,利用式①计算第二辅助变量U(k-1):
步骤8,对对数域中的待恢复的图像z(k)进行更新;
步骤8.1利用式②更新对数域中的待恢复的图像z(k-1/2):
步骤8.2利用式③得到稀疏编码αi (k-1/2):
αi (k-1/2)=(D(k-1))TRiz(k-1/2) ③
步骤8.3利用式④更新非局部估计值μi (k-1/2):
步骤8.4利用式⑤更新稀疏编码
步骤8.5利用式⑥更新对数域中的待恢复的图像z(k):
步骤9,利用式⑦更新单调非递减奇函数F(k):
步骤10,利用式⑧对第一辅助变量g(k)进行更新:
步骤11、判断迭代次数k是否达到预先设定迭代次数P:如果达到,则转至步骤12;否则,迭代次数k加1,并转至步骤3;
步骤12,将迭代终止以后得到的对数域中的待恢复的图像z(k)变形,得到对数域中的恢复图像即
步骤13、将对数域中的恢复图像变换到实数域上,并进行误差矫正得到最终的去噪图像,
上述各式中,上标k表示当前迭代次数,上标k-1表示上次迭代次数,上标k-1/2表示当前迭代和上次迭代的中间值,f表示对数域中的含噪图像,z(·)对数域中的待恢复的图像,表示第i个图像块的稀疏编码,D(·)表示稀疏表示字典,μi (·)表示第i个图像块的非局部估计值,g(·)表示第一辅助变量,U(·)表示第二辅助变量,∑(·)表示对角矩阵,Q(·)表示左酉矩阵,V(·)表示右酉矩阵,L表示噪声的视数,Ri表示第i个图像块的提取块算子,wi表示设定的第i个图像块的权值,Q表示与第i个图像块相似的图像块总数,N表示图像块的总数,sign(·)表示符号函数,F(·)表示单调非递减奇函数,T(·)表示直方估计函数,表示梯度;上标T表示转置,表示第一软阈值算子,λ3/λ4表示设定的第一阈值,表示第二软阈值算子,λ1/d表示设定的第二阈值,δ、d、λ1、λ2、λ3和λ4分别表示设定的非负常数。
上述步骤4中,利用主成分分析法计算每一个类的子字典。
上述步骤13中,利用式⑩将对数域中的恢复图像变换到实数域上,即对数域中的恢复图像X为:
其中,L表示噪声的视数,exp(·)表示指数函数。
与现有技术相比,本发明针对乘性噪声去除问题,具有如下特点:
1、在稀疏表示的基础上,引入梯度直方图估计,从而能更好的保留图像的纹理等信息;
2、利用低秩先验信息,引入图像的谱特征,从而全面利用图像的非局部特性,增强去噪性能。
附图说明
图1是本发明一种结合梯度直方图与低秩约束的去噪方法的流程图。
图2是本发明方法在噪声视数L=4时Straw图像的去噪效果图。其中(a)为原图,(b)为DFN模型,(c)为HFB模型,(d)为HMNZ模型,(e)为CC模型,(f)为本发明模型。
具体实施方式
下面结合本发明具体实施例中的附图,对本发明的技术方案进行详细地描述。
一种结合梯度直方图与低秩约束的去噪方法,如图1所示,具体包括如下步骤:
步骤1,读取含噪图像,得到该图像的矩阵表达式y;
步骤2,对含噪图进行对数变换,得到对数域中的含噪图f,初始化迭代次数k=1,z(0)=f,其中z(0)为对数域中待恢复的图像,为z的梯度;
步骤3,利用滑动窗口技术将含噪图像z(k-1)分成7×7的小块,并利用K-均值将这些小图像块聚类成70类;
步骤4,用主成分分析法计算每一个类中的子字典,并获取每一个图像块所对应的稀疏编码并将这70类的子字典进行拼接,得到稀疏表示字典D(k-1);
步骤5,对每个小图像块,利用欧式距离找到其对应的非局部相似块,并对这些非局部相似块进行加权,得到每个图像块的非局部估计值其中,q=1,2,…,Q,Q表示与图像块xi相似的图像块总数,αi,q是与图像块xi相似图像块xi,q的稀疏编码, 是图像块和的估计,h是预先定义的标量,本发明设置为h=80,W是归一化因子,是所有图像块与目标块相似度之和;
步骤6,对z(k-1)进行奇异值分解,即z(k-1)=Q(k-1)∑(k-1)(V(k-1))T,得到酉矩阵Q(k-1)和(V(k-1))T,其中∑(k-1)=diag(σ1 (k-1),σ2 (k-1),…,σr (k-1))是对角矩阵,是矩阵z(k-1)的正奇异值且σ1 (k-1)>σ2 (k-1)>…>σr (k-1),r是矩阵z(k-1)的秩;
步骤7,根据步骤6得到的对角矩阵∑(k-1),利用软阈值算子求出其中λ3/λ4为所取的阈值,实验中设置为λ3/λ4=1/2,再利用酉矩阵Q(k-1),(V(k -1))T得到
步骤8,利用步骤7得到的U(k-1),更新z(k);
步骤8.1首先利用更新z(k-1/2),其中k-1/2是两次迭代的中间值,表示梯度的转置,L是噪声的视数,δ,λ2,λ4是非负常数,本发明设置λ2=5,λ4=0.7,δ=0.23,L=4;
步骤8.2再利用αi (k-1/2)=(D(k-1))TRiz(k-1/2)得到αi (k-1/2),其中是Ri提取块算子提取z(k)的第i个算子;
步骤8.3利用更新μi (k-1/2),其中μi (k-1/2)是第i个分块的非局部因子;
步骤8.4利用更新其中λ1/d表示阈值,是软阈值算子,d是常数,本发明设置为d=3,λ1=0.1;
步骤8.5利用更新z(k),其中(Ri)T是Ri的转置,N是指图像分成的块数;
步骤9,利用更新F(k),其中F(k)是k次迭代的单调非递减奇函数,sign(·)是符号函数,是z(k)的梯度直方估计;
步骤10,利用更新g(k);
步骤11,判断迭代次数k是否达到预先设定迭代次数P,如果达到,则转至步骤12,否则,迭代次数k加1,并转至步骤3,本发明设置P=30;
步骤12,反复迭代,程序终止以后,得到第k次去噪图像z(k),经过如下处理得到恢复图像
步骤13,根据将图像变换到实数域上,并进行误差矫正,其中,L表示噪声的视数,exp(·)表示指数函数。
本发明的效果由以下仿真进一步说明。
1.仿真条件
(1)选取图像库中大小为512×512的标准图像进行测试;
(2)将一幅图像分为7×7的图像块,其中过完备字典的大小为49,测试的图像噪声视数为L=4。
2.仿真内容与结果
仿真内容:用Straw图,用本发明与已有的DFN模型,HFB模型,HMNZ模型和CC模型进行对比。
3.实验结果:
与DFN模型,HFB模型,HMNZ模型和CC模型相比,本发明能获得更高的峰值信噪比(PSNR)和相似度(SSIM),实验结果如表1所示。
表1.不同去噪模型的峰值性噪比和相似度
图2是本发明方法在噪声视数L=4时Straw图像的去噪效果图。其中(a)为原图,(b)为DFN模型,(c)为HFB模型,(d)为HMNZ模型,(e)为CC模型,(f)为本发明模型。由图可以看出,DFN模型、HFB模型、HMNZ模型和CC模型四个模型看起来比较模糊,平滑掉了很多的纹理信息,使得去噪后的图像看起来不自然。但是本发明方法在很大程度上保存了图像的精细纹理结构,使得去噪后的图像看起来更加自然。
为了在去噪的同时更好的保存图像的纹理特征,充分利用图像的自身特征,在发明利用稀疏表示的优势,加入非局部正则项,为了更好的保存图像的纹理特征,引入梯度正则项和低秩约束项去除乘性噪声。低秩约束可以更好地联系图像局部与非局部之间信息,增强算法的去噪性能。而梯度是图像纹理特征最重要的一个结构描述,恢复图像的梯度直方图应尽可能的接近参考的梯度直方图,从而可以更好的保留图像的纹理特征。据此,本发明在稀疏先验和其他非局部自相似先验的基础上,利用稀疏表示的优势,加入非局部正则项,梯度正则项和低秩约束项去除乘性噪声。本发明的优点是把乘性噪声模型通过对数变换变成对数域中的加性噪声模型,利用噪声图像在对数域中训练的字典,把图像的梯度直方图估计和低秩约束相结合,增强了图像局部和非局部之间的联系,在有效去噪的同时,更好的保留了图像的纹理信息。实验结果在主观视觉和客观评价指标两方面均取得较好的效果,很大程度上保存了图像的精细纹理结构,使得去噪后的图像更加清晰。即本发明不仅能得到很好的峰值信噪比和图像相似度,而且恢复的图像能保留较多的纹理特征。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (3)
1.一种结合梯度直方图与低秩约束的去噪方法,其特征是,包括如下步骤:
步骤1,对含噪图像进行对数变换,得到对数域中的含噪图像f;
步骤2,初始化迭代次数k=1、对数域中的待恢复的图像z(0)=f和第一辅助变量
步骤3,利用滑动窗口将对数域中的待恢复的图像z(k-1)进行分块,并利用K-均值将这些图像块进行聚类;
步骤4,先计算每一个聚类的子字典,并获得每一个图像块xi所对应的稀疏编码再将所有聚类的子字典进行拼接后得到图像的稀疏表示字典D(k-1);
步骤5,对于每个图像块,利用欧式距离找到其对应的非局部相似块,并对这些非局部相似块进行加权,得到每个图像块xi的非局部估计值μi (k-1);
步骤6,对对数域中的待恢复的图像z(k-1)进行奇异值分解,得到相应的对角矩阵∑(k-1)、左酉矩阵Q(k-1)和右酉矩阵V(k-1);
步骤7,利用式①计算第二辅助变量U(k-1):
步骤8,对对数域中的待恢复的图像z(k)进行更新;
步骤8.1利用式②更新对数域中的待恢复的图像z(k-1/2):
步骤8.2利用式③得到稀疏编码αi (k-1/2):
αi (k-1/2)=(D(k-1))TRiz(k-1/2) ③
步骤8.3利用式④更新非局部估计值μi (k-1/2):
步骤8.4利用式⑤更新稀疏编码
步骤8.5利用式⑥更新对数域中的待恢复的图像z(k):
步骤9,利用式⑦更新单调非递减奇函数F(k):
步骤10,利用式⑧对第一辅助变量g(k)进行更新:
步骤11、判断迭代次数k是否达到预先设定迭代次数P:如果达到,则转至步骤12;否则,迭代次数k加1,并转至步骤3;
步骤12,将迭代终止以后得到的对数域中的待恢复的图像z(k)变形,得到对数域中的恢复图像即
步骤13、将对数域中的恢复图像变换到实数域上,并进行误差矫正得到最终的去噪图像,
上述各式中,上标k表示当前迭代次数,上标k-1表示上次迭代次数,上标k-1/2表示当前迭代和上次迭代的中间值,f表示对数域中的含噪图像,z(·)对数域中的待恢复的图像,表示第i个图像块的稀疏编码,D(·)表示稀疏表示字典,μi (·)表示第i个图像块的非局部估计值,g(·)表示第一辅助变量,U(·)表示第二辅助变量,∑(·)表示对角矩阵,Q(·)表示左酉矩阵,V(·)表示右酉矩阵,L表示噪声的视数,Ri表示第i个图像块的提取块算子,ωi表示设定的第i个图像块的权值,Q表示与第i个图像块相似的图像块总数,N表示图像块的总数,sign(·)表示符号函数,F(·)表示单调非递减奇函数,T(·)表示直方估计函数,表示梯度;上标T表示转置,表示第一软阈值算子,λ3/λ4表示设定的第一阈值,表示第二软阈值算子,λ1/d表示设定的第二阈值,δ、d、λ1、λ2、λ3和λ4分别表示设定的非负常数。
2.根据权利要求1所述的一种结合梯度直方图与低秩约束的去噪方法,其特征是,步骤4中,利用主成分分析法计算每一个类的子字典。
3.根据权利要求1所述的一种结合梯度直方图与低秩约束的去噪方法,其特征是,步骤13中,利用式⑩将对数域中的恢复图像变换到实数域上,即实数域中的恢复图像X为:
其中,L表示噪声的视数,exp(·)表示指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581668.3A CN107358589B (zh) | 2017-07-17 | 2017-07-17 | 一种结合梯度直方图与低秩约束的去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581668.3A CN107358589B (zh) | 2017-07-17 | 2017-07-17 | 一种结合梯度直方图与低秩约束的去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358589A CN107358589A (zh) | 2017-11-17 |
CN107358589B true CN107358589B (zh) | 2019-11-26 |
Family
ID=60292249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710581668.3A Active CN107358589B (zh) | 2017-07-17 | 2017-07-17 | 一种结合梯度直方图与低秩约束的去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358589B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198147B (zh) * | 2018-01-02 | 2021-09-14 | 昆明理工大学 | 一种基于判别字典学习的多源图像融合去噪的方法 |
CN108765330B (zh) * | 2018-05-21 | 2022-05-27 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
CN109171815B (zh) * | 2018-08-27 | 2021-08-03 | 香港理工大学 | 超声装置、超声方法以及计算机可读介质 |
CN109658340B (zh) * | 2018-10-17 | 2023-04-25 | 南京航空航天大学 | 基于rsvd与直方图保存的sar图像快速去噪方法 |
CN110111264A (zh) * | 2019-04-03 | 2019-08-09 | 成都航天通信设备有限责任公司 | 基于车载视频图传图像的去噪方法 |
CN110570376B (zh) * | 2019-09-10 | 2022-05-20 | 广州工程技术职业学院 | 一种图像去雨方法、装置、设备和计算机可读存储介质 |
CN112801884B (zh) * | 2020-11-26 | 2022-04-05 | 四川长虹电器股份有限公司 | 基于外部非局部自相似和改进稀疏表示的图像去噪方法 |
CN113003033B (zh) * | 2021-02-19 | 2022-06-07 | 南京机电职业技术学院 | 基于StEMD_VGG的智能垃圾分类抓取机械手臂及控制方法 |
CN113965758B (zh) * | 2021-10-21 | 2024-02-27 | 上海师范大学 | 基于分块低秩近似的光场图像编码方法、设备及存储介质 |
CN117152023B (zh) * | 2023-10-30 | 2024-02-02 | 浪潮软件科技有限公司 | 基于结构-纹理分解的压缩图像去噪方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971346A (zh) * | 2014-05-28 | 2014-08-06 | 西安电子科技大学 | 基于稀疏域噪声分布约束的sar图像抑斑方法 |
CN104008538A (zh) * | 2014-05-12 | 2014-08-27 | 清华大学 | 基于单张图像超分辨率方法 |
CN104657951A (zh) * | 2015-03-02 | 2015-05-27 | 桂林电子科技大学 | 图像乘性噪声移除方法 |
CN105957026A (zh) * | 2016-04-22 | 2016-09-21 | 温州大学 | 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法 |
CN106157254A (zh) * | 2015-04-21 | 2016-11-23 | 南京理工大学 | 基于非局部自相似性的稀疏表示遥感图像去噪方法 |
CN106169180A (zh) * | 2016-07-13 | 2016-11-30 | 桂林电子科技大学 | 一种基于组的非局部稀疏表示加性噪声去除方法 |
CN106204483A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于非局部自适应字典的乘性噪声去除方法 |
CN106204482A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于加权稀疏的混合噪声去除方法 |
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
-
2017
- 2017-07-17 CN CN201710581668.3A patent/CN107358589B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008538A (zh) * | 2014-05-12 | 2014-08-27 | 清华大学 | 基于单张图像超分辨率方法 |
CN103971346A (zh) * | 2014-05-28 | 2014-08-06 | 西安电子科技大学 | 基于稀疏域噪声分布约束的sar图像抑斑方法 |
CN104657951A (zh) * | 2015-03-02 | 2015-05-27 | 桂林电子科技大学 | 图像乘性噪声移除方法 |
CN106157254A (zh) * | 2015-04-21 | 2016-11-23 | 南京理工大学 | 基于非局部自相似性的稀疏表示遥感图像去噪方法 |
CN105957026A (zh) * | 2016-04-22 | 2016-09-21 | 温州大学 | 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法 |
CN106204483A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于非局部自适应字典的乘性噪声去除方法 |
CN106204482A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于加权稀疏的混合噪声去除方法 |
CN106169180A (zh) * | 2016-07-13 | 2016-11-30 | 桂林电子科技大学 | 一种基于组的非局部稀疏表示加性噪声去除方法 |
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
Non-Patent Citations (7)
Title |
---|
Image denoising based on sparse representation and gradient histogram;Mingli Zhang 等;《IET Image Processing》;20161130;全文 * |
Multiplicative Noise Removal via Nonlocal Similarity-Based Sparse Representation;chen lixia 等;《 Journal of Mathematical Imaging and Vision》;20150930;全文 * |
Sparsity-based Image Denoising via Dictionary Learning and Structural Clustering;Dong W 等;《 Computer Vision & Pattern Recognition》;20110630;全文 * |
Weighted Nuclear Norm Minimization and Its Applications to Low Level Vision;Gu, SH 等;《INTERNATIONAL JOURNAL OF COMPUTER VISION》;20170131;全文 * |
基于低秩非局部稀疏表示的图像去噪模型;王宏宇 等;《燕山大学学报》;20170531;全文 * |
基于稀疏梯度场的非局部图像去噪算法;张瑞 等;《自动化学报》;20150930;全文 * |
基于自适应字典学习的乘性噪声去除模型;何成凤 等;《桂林电子科技大学学报》;20170630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107358589A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358589B (zh) | 一种结合梯度直方图与低秩约束的去噪方法 | |
CN110796625B (zh) | 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法 | |
Selesnick et al. | Total variation denoising with overlapping group sparsity | |
CN109671029B (zh) | 基于伽马范数最小化的图像去噪方法 | |
CN106204483B (zh) | 基于非局部自适应字典的乘性噪声去除方法 | |
Abiko et al. | Blind denoising of mixed Gaussian-impulse noise by single CNN | |
CN108765330B (zh) | 基于全局和局部先验联合约束的图像去噪方法和装置 | |
CN110490814B (zh) | 基于光滑秩约束的混合噪声去除方法、系统及存储介质 | |
CN110349112B (zh) | 一种基于自适应奇异值阈值的两阶段图像去噪方法 | |
CN108171675B (zh) | 一种基于分离Bregman迭代优化的图像修复方法及装置 | |
Liu et al. | Adaptive sparse coding on PCA dictionary for image denoising | |
CN107451961B (zh) | 多幅模糊噪声图像下清晰图像的恢复方法 | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
CN112801889A (zh) | 图像去噪方法、系统、设备及存储介质 | |
CN107292855B (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN113256508A (zh) | 一种改进的小波变换与卷积神经网络图像去噪声的方法 | |
CN109859131A (zh) | 一种基于多尺度自相似性与共形约束的图像复原方法 | |
CN105957025A (zh) | 基于稀疏表示的非一致图像盲复原方法 | |
CN107085839B (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 | |
Zhang et al. | Image denoising using hybrid singular value thresholding operators | |
Nejati et al. | Low-rank regularized collaborative filtering for image denoising | |
CN104616266B (zh) | 一种基于广义自回归异方差模型的噪声方差估计方法 | |
Heiler et al. | Natural image statistics for natural image segmentation | |
Faktor et al. | Denoising of image patches via sparse representations with learned statistical dependencies | |
Song et al. | Enhancing Low-Light Color Image via L 0 Regularization and Reweighted Group Sparsity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |