CN113034640A - 一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法 - Google Patents
一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法 Download PDFInfo
- Publication number
- CN113034640A CN113034640A CN202110325942.7A CN202110325942A CN113034640A CN 113034640 A CN113034640 A CN 113034640A CN 202110325942 A CN202110325942 A CN 202110325942A CN 113034640 A CN113034640 A CN 113034640A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- matrix
- reconstruction
- rank
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000011084 recovery Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 13
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000721047 Danaus plexippus Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 241000287530 Psittaciformes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明属于图像重构算法的技术领域,涉及一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法。
背景技术
近年来,压缩感知(Compressed Sensing,CS)理论被提出,这是一种突破了奈奎斯特采样定理频率限制的全新信号采样方式。压缩感知理论指出若信号在某个变换域是稀疏的或可稀疏表示的情况下,可以以采样和数据压缩同时进行的方式,通过使用随机高斯矩阵或部分傅里叶矩阵生成的少量随机测量实现稀疏信号的完美重构。压缩感知方法具有采样率低、采集效率高等优点,目前已被广泛应用于包括3D成像,视频采集,图像加密传输,核磁共振和遥感雷达等各个领域。
信号的精确、高质量重构是压缩感知研究的核心问题,在图像的重构过程中,图像的先验信息起到了至关重要的作用,如何充分发掘图像的先验信息从而构造有效的约束条件成为了图像重构的关键。最常用的图像先验是稀疏先验,即基于图像的稀疏表示构建稀疏模型求解,经典的重构算法有求解基于l0范数最小化模型的贪婪算法,包括匹配追踪算法,正交匹配追踪算法,子空间追踪算法,压缩采样匹配追踪等;以及求解基于l1范数近似稀疏模型的凸优化算法,包括基追踪算法,迭代收缩阈值法,梯度投影法,全变分算法等。其中,全变分算法利用图像的梯度稀疏先验约束图像信号进行重构,能在去除噪声的同时更好地保留图像的边缘信息。然而,在全变分算法中仍然存在阶梯效应等问题。为此,许多变体被提出并逐渐应用于CS重构,如分数阶全变分、重加权全变分和双边全变分等。
利用图像稀疏先验的经典重构算法已经取得了较好的图像重构性能。最近,基于图像非局部自相似先验的图像恢复模型得到了广泛关注。随着非局部相似性先验在图像去噪领域的应用,许多的研究者也将其应用于CS重构中。有研究人员通过发掘图像的结构化稀疏性与非局部相似性之间的关系,提出了一种非局部低秩正则约束的图像重构算法,该算法充分利用了相似图像块的低秩特性,有效去除图像中的冗余信息与伪影,结合图像的稀疏编码实现了优异的图像恢复结果。
现有的利用图像非局部自相似性先验的重构算法,均利用块匹配方法得到相似图像块,由于图像中存在一定量的重复结构,并且存在噪声的干扰,基于低秩替代稀疏约束进行优化不可避免会去除这部分结构,导致重构图像的边缘存在过平滑和信息退化的问题。对此,本发明将双边全变分约束作为全局信息先验加入到基于非局部低秩的重构模型中,利用双边全变分算子对图像边缘的保持作用,增强重构图像的纹理细节。
发明内容
为了解决基于非局部低秩的重构算法恢复图像的边缘存在过平滑和信息退化的问题,本发明提供了一种改进方式,即将双边全变分作为全局信息先验加入进去,得到了一种新的联合双边全变分与非局部低秩正则的压缩感知图像重构方法,可以实现更加精确、高质量的图像恢复结果。
本发明解决其技术问题所采用的技术方案是:
一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法,包括以下步骤:
步骤1,在计算机中输入原始测试图像x,所有测试图像均为256×256像素的灰度图像;
步骤2,设置采样率rates,将测试图像排列为一维向量的形式x∈RN×1,生成采样矩阵Φ∈RM×N,通过随机采样输入图像的傅里叶变换系数来生成CS测量,得到测量值y∈RM×1;
y=Φx
步骤4,选择CS重构算法进行恢复图像与测试图像主观和客观上的比较,客观评估算法重构性能选择峰值信噪比(PSNR)和结构相似度(SSIM)作为评价指标。
进一步,所述步骤3中,根据图像x的稀疏先验,传统的凸优化算法写成以下无约束形式:
定义双边全变分如下:
其中,表示图像在水平方向上平移l个像素,表示图像在垂直方向上平移t个像素,表示图像x在水平与垂直的各尺度下的差分结果;α(0<α≤1)用于控制该正则项的空间衰减,p(p≥1)为滤波核的窗口尺寸,权重ε是一个防止除数为0的极小正常数,值为2.2204e-16,权重wb会根据图像x进行迭代更新。
基于图像非局部自相似先验的图像恢复模型主要有两个部分组成:一个是用于表征图像自相似性的块匹配策略,另一个是用于表征稀疏性约束的低秩近似;图像的块匹配策略即对一幅图像x进行相似块的块分组,对于一个图像块xi,大小为n×n,在搜索窗口s×s内基于欧式距离搜索与之相似的m个图像块,每个图像块按列展开构成相似块矩阵Xi,大小为n2×m;由于这些图像块具有相似结构,所形成的矩阵Xi具有低秩特性;实际的图像x中还存在噪声污染,因此将相似块矩阵建模为:Xi=Li+Ni,其中Li和Ni分别表示低秩矩阵和高斯噪声矩阵,然后通过求解以下优化问题来恢复出低秩矩阵Li:
其中,σi(Li)对应于Li中的第i个奇异值,w=[w1,w2,...,wn],wi≥0是分配给对应σi(Li)的权重。权重wi=1/(σi(X)+ε),ε是一个防止除数为0的极小正常数,值为2.2204e-16。
所述步骤3中,所述联合算法的重构模型为:
提出的联合算法为凸优化算法,采用交替方向乘子法(ADMM)进行迭代求解,首先引入辅助变量进行替换:
s.t.x=u,Qx=z
利用增广拉格朗日函数将上式转变为无约束形式:
其中,η1和η2是惩罚参数,a和b是拉格朗日乘子,然后采用以下的乘子迭代方式:
其中,k为迭代次数,总的迭代次数为K次;根据交替方向乘子法,将原问题分解为以下四个子问题来求解。
Li子问题的求解
该加权核范数的优化问题一般采用奇异值阈值(SVT)操作来近似求解:
其中,U∑VT为相似块矩阵Xi的奇异值分解(SVD),Sw,τ(∑)为阈值算子,对对角矩阵∑中的每一个元素执行阈值操作:
u子问题的求解
上式有一个闭式解:
z子问题的求解
上式根据软阈值收缩来求解:
zk+1=soft(Qxk-bk,λ2βwb/η2)
其中,软阈值收缩算子soft(x,t)=sgn(x)·max(|x|-t,0),权重wb根据下式进行更新:
x子问题的求解
上式有一个闭式解:
xk+1=(ΦTΦ+η1I+η2QTQ)-1(ΦTy+η1(uk+ak)+η2QT(zk+bk))
本发明的有益效果主要表现在:相较于传统的CS图像重构算法,提出的联合算法可以充分利用图像的非局部自相似性先验信息得到优异的图像恢复结果,而针对非局部低秩重构的图像边缘存在过平滑和信息退化的问题,加入的双边全变分作为全局信息先验约束,保留了恢复图像更多的边缘,增强了图像的纹理细节。
附图说明
图1为本发明中联合双边全变分与非局部低秩正则的压缩感知图像重构方法的流程图。
图2为本发明中使用的标准测试图像,其中,(a)是Boats;(b)是Cameraman;(c)是House;(d)是Lena;(e)是Monarch;(f)是Parrots。
图3为本发明中提出的联合算法的算法流程图。
图4为本发明中提出的算法与对比算法在10%采样率下重构House图像的恢复结果,其中,(a)是原始图像;(b)是TVAL3算法,PSNR=22.51dB,SSIM=0.7433;(c)是TVNLR算法,PSNR=26.54dB,SSIM=0.7615;(d)是BM3D-CS算法,PSNR=29.57dB,SSIM=0.7956;(e)是NLR-CS算法,PSNR=33.71dB,SSIM=0.8566;(f)本发明提出的算法,PSNR=34.77dB,SSIM=0.8774。
具体实施方式
下面结合附图对本发明作进一步描述。
参考图1~图4,一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法,包括以下步骤:
步骤1,在计算机中输入原始测试图像x,所有测试图像均为256×256像素的灰度图像;
所用的测试图像x参考图2所示。
步骤2,设置采样率rates,将测试图像排列为一维向量的形式x∈RN×1,生成采样矩阵Φ∈RM×N,通过随机采样输入图像的傅里叶变换系数来生成CS测量,得到测量值y∈RM×1;
y=Φx
根据图像x的稀疏先验,传统的凸优化算法写成以下无约束形式:
定义双边全变分如下:
其中,表示图像在水平方向上平移l个像素,表示图像在垂直方向上平移t个像素,表示图像x在水平与垂直的各尺度下的差分结果,α(0<α≤1)用于控制该正则项的空间衰减,p(p≥1)为滤波核的窗口尺寸,权重ε是一个防止除数为0的极小正常数,值为2.2204e-16,权重wb会根据图像x进行迭代更新;
基于图像非局部自相似先验的图像恢复模型主要有两个部分组成:一个是用于表征图像自相似性的块匹配策略,另一个是用于表征稀疏性约束的低秩近似。图像的块匹配策略即对一幅图像x进行相似块的块分组;对于一个图像块xi,大小为n×n,在搜索窗口s×s内基于欧式距离搜索与之相似的m个图像块,每个图像块按列展开构成相似块矩阵Xi,大小为n2×m。由于这些图像块具有相似结构,所形成的矩阵Xi具有低秩特性;实际的图像x中还存在噪声污染,因此可将相似块矩阵建模为:Xi=Li+Ni,其中Li和Ni分别表示低秩矩阵和高斯噪声矩阵,然后可以通过求解以下优化问题来恢复出低秩矩阵Li:
其中,σi(Li)对应于Li中的第i个奇异值,w=[w1,w2,...,wn],wi≥0是分配给对应σi(Li)的权重,权重wi=1/(σi(X)+ε),ε是一个防止除数为0的极小正常数,值为2.2204e-16。
所述联合算法的重构模型为:
提出的联合算法为凸优化算法,采用交替方向乘子法(ADMM)进行迭代求解,首先引入辅助变量进行替换:
s.t.x=u,Qx=z
利用增广拉格朗日函数将上式转变为无约束形式:
其中,η1和η2是惩罚参数,a和b是拉格朗日乘子。然后采用以下的乘子迭代方式:
其中,k为迭代次数。总的迭代次数为K次。根据交替方向乘子法,可以将原问题分解为以下四个子问题来求解;
Li子问题的求解
该加权核范数的优化问题一般采用奇异值阈值(SVT)操作来近似求解:
其中,U∑VT为相似块矩阵Xi的奇异值分解(SVD),Sw,τ(∑)为阈值算子,对对角矩阵∑中的每一个元素执行阈值操作:
u子问题的求解
上式有一个闭式解:
z子问题的求解
上式根据软阈值收缩来求解:
zk+1=soft(Qxk-bk,λ2βwb/η2)
其中,软阈值收缩算子soft(x,t)=sgn(x)·max(|x|-t,0)。权重wb根据下式进行更新:
x子问题的求解
上式有一个闭式解:
xk+1=(ΦTΦ+η1I+η2QTQ)-1(ΦTy+η1(uk+ak)+η2QT(zk+bk))。
参考图3的算法流程图,具体的实施步骤如下:
(1)输入测量值y和采样矩阵Φ,使用离散余弦变换(DCT)获得初始估计x1;
(2)根据选定的采样率0.1,设置参数:λ1=1.5,λ2=0.15,α=0.7,p=2,μ=1,η1=η2=0.01,K=100;设置拉格朗日乘子:a=b=0;设置权重的初始值:wb=1,wi=[1,1,...,1]T;
外循环:for k=1,2,...,K do
内循环:for i=1,2,...,m do;
End for
(7)计算xk+1=(ΦTΦ+η1I+η2QTQ)-1(ΦTy+η1(uk+ak)+η2QT(zk+bk));
End for
步骤4,选择几种当前主流的CS重构算法进行恢复图像与测试图像主观和客观上的比较,客观评估算法重构性能选择峰值信噪比(PSNR)和结构相似度(SSIM)作为评价指标。
PSNR和SSIM的计算公式如下:
其中,MSE为均方误差,x为测试图像,y为恢复图像,大小均为256×256像素,这里PSNR值越大,y和x越接近,说明图像质量越好。μx,μy是x和y的均值,σx,σy分别是x和y的标准差。σxy是两个图像之间的协方差。C1,C2是小的正常数。SSIM的值介于0和1之间,值越大,图像质量越好。
主观视觉比较参考图4,客观评估结果参考表1和表2。
表1
表2
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (4)
1.一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法,其特征在于,所述方法包括以下步骤:
步骤1,在计算机中输入原始测试图像x,所有测试图像均为256×256像素的灰度图像;
步骤2,设置采样率rates,将测试图像排列为一维向量的形式x∈RN×1,生成采样矩阵Φ∈RM×N,通过随机采样输入图像的傅里叶变换系数来生成CS测量,得到测量值y∈RM×1;
y=Φx
步骤4,选择CS重构算法进行恢复图像与测试图像主观和客观上的比较,客观评估算法重构性能选择峰值信噪比PSNR和结构相似度SSIM作为评价指标。
2.如权利要求1所述的联合双边全变分与非局部低秩正则的压缩感知图像重构方法,其特征在于,所述步骤3中,根据图像x的稀疏先验,传统的凸优化算法写成以下无约束形式:
定义双边全变分如下:
其中,表示图像在水平方向上平移l个像素,表示图像在垂直方向上平移t个像素,表示图像x在水平与垂直的各尺度下的差分结果;α(0<α≤1)用于控制该正则项的空间衰减,p(p≥1)为滤波核的窗口尺寸,权重ε是一个防止除数为0的极小正常数,值为2.2204e-16,权重wb会根据图像x进行迭代更新;
基于图像非局部自相似先验的图像恢复模型主要有两个部分组成:一个是用于表征图像自相似性的块匹配策略,另一个是用于表征稀疏性约束的低秩近似;图像的块匹配策略即对一幅图像x进行相似块的块分组,对于一个图像块xi,大小为n×n,在搜索窗口s×s内基于欧式距离搜索与之相似的m个图像块,每个图像块按列展开构成相似块矩阵Xi,大小为n2×m;由于这些图像块具有相似结构,所形成的矩阵Xi具有低秩特性;实际的图像x中还存在噪声污染,因此将相似块矩阵建模为:Xi=Li+Ni,其中Li和Ni分别表示低秩矩阵和高斯噪声矩阵,然后通过求解以下优化问题来恢复出低秩矩阵Li:
其中,σi(Li)对应于Li中的第i个奇异值,w=[w1,w2,...,wn],wi≥0是分配给对应σi(Li)的权重。权重wi=1/(σi(X)+ε),ε是一个防止除数为0的极小正常数,值为2.2204e-16。
3.如权利要求1或2所述的联合双边全变分与非局部低秩正则的压缩感知图像重构方法,其特征在于,所述步骤3中,所述联合算法的重构模型为:
提出的联合算法为凸优化算法,采用交替方向乘子法(ADMM)进行迭代求解,首先引入辅助变量进行替换:
s.t.x=u,Qx=z
利用增广拉格朗日函数将上式转变为无约束形式:
其中,η1和η2是惩罚参数,a和b是拉格朗日乘子,然后采用以下的乘子迭代方式:
其中,k为迭代次数,总的迭代次数为K次;根据交替方向乘子法,将原问题分解为以下四个子问题来求解。
Li子问题的求解
该加权核范数的优化问题一般采用奇异值阈值(SVT)操作来近似求解:
其中,U∑VT为相似块矩阵Xi的奇异值分解(SVD),Sw,τ(∑)为阈值算子,对对角矩阵∑中的每一个元素执行阈值操作:
u子问题的求解
上式有一个闭式解:
z子问题的求解
上式根据软阈值收缩来求解:
zk+1=soft(Qxk-bk,λ2βwb/η2)
其中,软阈值收缩算子soft(x,t)=sgn(x)·max(|x|-t,0),权重wb根据下式进行更新:
x子问题的求解
上式有一个闭式解:
xk+1=(ΦTΦ+η1I+η2QTQ)-1(ΦTy+η1(uk+ak)+η2QT(zk+bk))
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325942.7A CN113034640A (zh) | 2021-03-26 | 2021-03-26 | 一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325942.7A CN113034640A (zh) | 2021-03-26 | 2021-03-26 | 一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034640A true CN113034640A (zh) | 2021-06-25 |
Family
ID=76474324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110325942.7A Pending CN113034640A (zh) | 2021-03-26 | 2021-03-26 | 一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034640A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN106254720A (zh) * | 2016-07-19 | 2016-12-21 | 四川大学 | 一种基于联合正则化的视频超分辨率重建方法 |
CN110830043A (zh) * | 2019-10-31 | 2020-02-21 | 重庆邮电大学 | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 |
-
2021
- 2021-03-26 CN CN202110325942.7A patent/CN113034640A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN106254720A (zh) * | 2016-07-19 | 2016-12-21 | 四川大学 | 一种基于联合正则化的视频超分辨率重建方法 |
CN110830043A (zh) * | 2019-10-31 | 2020-02-21 | 重庆邮电大学 | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 |
Non-Patent Citations (2)
Title |
---|
KUNHAO ZHANG,YALI QIN 等: "Nonlocal Low-Rank Regularization Combined with Bilateral Total Variation for Compressive Sensing Image Reconstruction", ELECTRONICS 2021, 10, 385, 4 February 2021 (2021-02-04), pages 2 - 4 * |
杨桄;封磊;孙怀江;孙权森;: "基于低秩和全变差正则化的图像压缩感知重构", 江苏大学学报(自然科学版), no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722896B (zh) | 基于自适应压缩感知的自然图像非局部重构方法 | |
Bao et al. | Image restoration by minimizing zero norm of wavelet frame coefficients | |
CN110796625A (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 | |
CN114841888B (zh) | 基于低秩张量环分解和因子先验的视觉数据补全方法 | |
CN109584319A (zh) | 一种基于非局部低秩和全变分的图像压缩感知重构算法 | |
CN111724307B (zh) | 一种基于最大后验概率和非局部低秩先验的图像超分辨重建方法,终端及可读存储介质 | |
CN107038730B (zh) | 基于高斯尺度结构块分组的稀疏表示图像重建方法 | |
CN110400276B (zh) | 高光谱图像去噪方法、装置 | |
Tang et al. | Bayesian framework with non-local and low-rank constraint for image reconstruction | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
Feng et al. | Compressive sensing via nonlocal low-rank tensor regularization | |
Cao et al. | CS-MRI reconstruction based on analysis dictionary learning and manifold structure regularization | |
CN114119426A (zh) | 非局部低秩转换域与全连接张量分解图像重构方法及装置 | |
CN115950837A (zh) | 基于即插即用先验的快照式光谱成像方法、系统及介质 | |
Keshavarzian et al. | LLp norm regularization based group sparse representation for image compressed sensing recovery | |
Cui et al. | Fast hierarchical deep unfolding network for image compressed sensing | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
Li et al. | Nonconvex L1/2-regularized nonlocal self-similarity denoiser for compressive sensing based CT reconstruction | |
Cang et al. | Research on hyperspectral image reconstruction based on GISMT compressed sensing and interspectral prediction | |
Baraha et al. | Speckle removal using dictionary learning and pnp-based fast iterative shrinkage threshold algorithm | |
CN113034640A (zh) | 一种联合双边全变分与非局部低秩正则的压缩感知图像重构方法 | |
Zhao et al. | Learning-based compressed sensing for infrared image super resolution | |
CN114219714A (zh) | 一种基于相机阵列深度估计的超分辨率重建方法 | |
CN111397733A (zh) | 一种单/多帧快照式光谱成像方法、系统及介质 | |
Guo et al. | Multispectral and Hyperspectral Image Fusion Based on Coupled Non-Negative Block Term Tensor Decomposition with Joint Structured 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 |