基于网格搜索的特定类别图像去噪算法

发布时间：2021-03-08 15:33

　　针对特定类别图像去噪算法存在部分区域纹理丢失以及相似块搜索较为耗时的问题,文中提出了新的基于网格搜索的特定类别图像去噪算法。使用SSIM在特定类别数据集中选取与噪声图像相似的候选数据集;为加快相似块的搜索速度,通过网格状粗尺度搜索框遍历候选图像集,使用kNN算法寻找网格中与噪声块接近的候选块;为寻找与噪声块更接近的候选块,依据候选块中心位置构造细尺度搜索框,遍历细尺度搜索框筛选候选块与噪声块之间欧氏距离最接近的相似块;结合相似块与全局稀疏结构正则化中的残差分量来恢复噪声图像的潜影。实验结果表明,网格搜索策略能加快相似块的选择速度,使用残差分量不仅能去除图像噪声,还能更好地保留图像边缘处的信息。 

【文章来源】：计算机科学. 2020,47(11)北大核心

【文章页数】：6 页

【部分图文】：

原图与XR处理的图像

网格搜索策略

由于大部分真实噪声与高斯白噪声非常接近,本文将原始图像加入高斯白噪声。高斯白噪声的标准差为σn,取值范围为σn=30,50,70 。为了找到最佳参数E和T,需要先固定其他参数值,然后在人脸数据集中测试不同的高斯白噪声标准差下的平均峰值信噪比(Peak Signal-to-noise Ratio,PSNR)的变化趋势。因单张图像具有偶然性,这里选取人脸数据集中所有样本的PSNR平均值。其中,E的取值分别为32,64,256和512,T的取值分别为8,16,32和64。不同E和T取值下平均PSRN值的变化如图3所示。从图3(a)可以看出,当E=64时,平均PSNR值开始趋于平缓;当E增加时,平均PSNR值增加得越来越缓慢。数据集中包含的图像数量越多,去噪时遍历的图像就越多,为提高算法的运行效率,这里将E取值为64。从图3(b)可以看出,随着T的增加,平均PSNR值不断减少。这种现象的主要原因是:随着相似块数量的增加,相似块之间的外观变形可能会加剧,那么相似块与噪声块的聚合将会导致图像局部细节的丢失。因此,相似块数量不能过高,这里取值为T=8。

【参考文献】：
期刊论文
[1]结合NSCT和KPCA的高光谱遥感图像去噪[J]. 吴一全,吴超.  遥感学报. 2012(03)



本文编号：3071274