基于块和低秩张量恢复的视频去噪方法

发布时间：2018-06-13 02:28

  本文选题：视频去噪 + 张量恢复　； 参考：《计算机应用研究》2017年04期

【摘要】：由于采用矩阵的表示形式会破坏视频数据的原始空间结构,针对这一问题,提出了一种基于块和低秩张量恢复的视频去噪方法。首先运用自适应中值滤波器对含噪视频进行预处理,通过相似块匹配构造一个三阶张量,根据视频张量的低秩性和噪声像素的稀疏性,利用基于张量的增广拉格朗日乘子法(ALM)重建出三阶视频张量的低秩部分和稀疏部分,实现噪声的分离。该方法采用张量模型来处理视频去噪的问题,更好地保护了视频序列的高维结构特性,可以准确地去除复杂结构视频的噪声干扰。实验结果表明,相对于常用方法,该方法能准确完整地分离噪声,具有更强的视频去噪能力。
[Abstract]:Because the representation of matrix can destroy the original space structure of video data, a video denoising method based on block and low rank Zhang Liang restoration is proposed. First, the adaptive median filter is used to preprocess the noisy video, and a third-order Zhang Liang is constructed by similar block matching. According to the low rank of the video Zhang Liang and the sparsity of the noise pixels, a three-order Zhang Liang is constructed. The low rank and sparse parts of the third order video Zhang Liang are reconstructed by the augmented Lagrangian multiplier method based on Zhang Liang, and the noise separation is realized. The Zhang Liang model is used to deal with the problem of video denoising, which can better protect the high dimensional structure of video sequences and remove the noise interference of video with complex structure accurately. The experimental results show that this method can separate noise accurately and completely compared with common methods, and has a stronger ability of video denoising.
【作者单位】： 四川大学电气信息学院;
【分类号】：TP391.41

【参考文献】

相关期刊论文 前3条

1 柳欣;钟必能;张茂胜;崔振;;基于张量低秩恢复和块稀疏表示的运动显著性目标提取[J];计算机辅助设计与图形学学报;2014年10期

2 史加荣;郑秀云;魏宗田;杨威;;低秩矩阵恢复算法综述[J];计算机应用研究;2013年06期

3 彭义刚;索津莉;戴琼海;徐文立;;从压缩传感到低秩矩阵恢复:理论与应用[J];自动化学报;2013年07期

【共引文献】

相关期刊论文 前10条

1 田继伟;王布宏;尚福特;;基于鲁棒主成分分析的智能电网虚假数据注入攻击[J];计算机应用;2017年07期

2 王毅;李鼎睿;康重庆;;低秩矩阵分解在母线坏数据辨识与修复中的应用[J];电网技术;2017年06期

3 许超;刘金阳;凌翔;;基于低秩纹理变换不变性的车牌倾斜校正方法[J];合肥工业大学学报(自然科学版);2017年05期

4 陈川;纪晓佳;陈柘;;基于低秩矩阵恢复交通视频背景重建性能评价[J];计算机工程与设计;2017年05期

5 谭群超;;基于低秩矩阵分解和稀疏表达的人脸识别方法[J];山东理工大学学报(自然科学版);2017年04期

6 赵震震;杨晓飞;黄俊;刘书朋;;基于凸优化的图像隐藏信息重构方法[J];传感器与微系统;2017年04期

7 徐联微;杨晓梅;;基于HOSVD和TV的动态背景下的运动目标提取[J];计算机工程与设计;2017年04期

8 吕红伟;王士同;;预测子空间聚类的聚类集成算法[J];小型微型计算机系统;2017年04期

9 刘占林;王琰;杨大为;;压缩感知的矩阵低秩稀疏分解目标跟踪算法[J];小型微型计算机系统;2017年04期

10 吕红伟;王士同;;基于RPCA对高维数据子空间聚类的预测方法[J];计算机工程与科学;2017年03期

【二级参考文献】

相关期刊论文 前9条

1 王斌;肖文华;张茂军;熊志辉;刘煜;;采用时空条件信息的动态场景运动目标检测[J];计算机辅助设计与图形学学报;2012年12期

2 马坚伟;徐杰;鲍跃全;于四伟;;压缩感知及其应用:从稀疏约束到低秩约束优化[J];信号处理;2012年05期

3 史加荣;杨威;姜淑艳;;非负张量分解的快速算法[J];计算机应用研究;2011年12期

4 史加荣;焦李成;尚凡华;;张量补全算法及其在人脸识别中的应用[J];模式识别与人工智能;2011年02期

5 戴琼海;付长军;季向阳;;压缩感知研究[J];计算机学报;2011年03期

6 李树涛;魏丹;;压缩传感综述[J];自动化学报;2009年11期

7 ;Ways to sparse representation:An overview[J];Science in China(Series F:Information Sciences);2009年04期

8 肖梅;韩崇昭;张雷;;基于时空背景差的运动目标检测算法[J];计算机辅助设计与图形学学报;2006年07期

9 刘青山,卢汉清,马颂德;综述人脸识别中的子空间方法[J];自动化学报;2003年06期

，

本文编号：2012252