加权低秩矩阵恢复的混合噪声图像去噪

发布时间：2018-01-01 04:41

本文关键词：加权低秩矩阵恢复的混合噪声图像去噪　出处：《计算机科学》2016年01期 　论文类型：期刊论文

【摘要】：传统的基于低秩矩阵恢复的图像去噪算法只对低秩部分进行约束,当高斯噪声过大时,会导致去噪不充分或细节严重丢失。针对此问题,提出了一种新的鲁棒的图像去噪模型。该模型在原有的低秩矩阵核范数约束的基础上引入高斯噪声约束项,此外为了提高低秩矩阵的低秩性和稀疏矩阵的稀疏性,引入了加权的方法。为了考察方法的去噪能力,选取了不同参数类型的混合噪声图像进行仿真,并结合峰值信噪比、结构相似度评价标准与传统的基于低秩矩阵恢复的图像去噪算法进行对比。实验结果表明,加权低秩矩阵恢复的混合噪声图像去噪算法能增加低秩矩阵的低秩性和稀疏矩阵的稀疏性,在保证去噪效果的同时,保留了图像的细节信息,具有更佳的视觉效果,同时,客观评价指标均有所提高。
[Abstract]:The traditional image denoising algorithm based on low rank matrix restoration only constrains the low rank part, when Gao Si noise is too high, it will lead to insufficient denoising or serious loss of details. In this paper, a new robust image denoising model is proposed, which introduces Gao Si noise constraint term based on the kernel norm constraint of low rank matrix. In addition, in order to improve the low rank of low rank matrix and sparse matrix of sparse matrix, a weighted method is introduced. In order to investigate the de-noising ability of the method, mixed noise images with different parameter types are selected for simulation. Combined with the peak signal-to-noise ratio (PSNR) and structural similarity evaluation criteria, the traditional image denoising algorithm based on low rank matrix restoration is compared. Weighted low rank matrix restoration mixed noise image denoising algorithm can increase the low rank of low rank matrix and sparse matrix sparse, while ensuring the effect of de-noising, while preserving the image details. At the same time, the objective evaluation indexes are improved.
【作者单位】：西南交通大学信息科学与技术学院;
【基金】：国家自然科学基金项目(61271341) 四川省自然科学基金项目(2013JY0136)资助
【分类号】：TP391.41
【正文快照】： 行滤波处理,再将结果反变换融合到二维,形成去噪后的图1　引言像。文献[4]提出将矩阵分解为低秩部分和稀疏部分并对低图像在获取和传输的过程中常常会受到各种噪声的污秩矩阵恢复进行了全面的理论分析,低秩理论由于具有较强染,从而降低了图像的主观和客观质量,给后继的图像处

【参考文献】