在對圖像變分描述的前提下,為有效地利用條帶噪聲之間的相似性,本文將條帶噪聲的群稀疏表示引入到單向變分模型中,提出群稀疏技術(shù)限制的單向變分模型,并采用交替方向乘子法求解該模型。對比實驗證明,本文所提出的群稀疏限制的單向變分模型能有效地利用條帶噪聲的相似性實現(xiàn)條帶噪聲的消除,更好地重構(gòu)圖像的細(xì)節(jié)信息,峰值信噪比與結(jié)構(gòu)相似性比其他模型分別提高6.76dB和0.25,圖像去噪性能更優(yōu)。 

【文章來源】：液晶與顯示. 2020,35(06)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1 條帶噪聲與含噪圖像

通過極小化‖A‖1,2便可以實現(xiàn)矩陣A的群稀疏表示。相對于稀疏表示，群稀疏表示不僅使矩陣每一列不為0的系數(shù)盡量少，且各列不為0的系數(shù)出現(xiàn)的位置相同（圖2(b）），從而在實現(xiàn)圖像稀疏表示的前提下，有效地表達(dá)圖像中相似結(jié)構(gòu)信息�？紤]到條帶噪聲之間存在極強的結(jié)構(gòu)相似性，采用群稀疏技術(shù)能有效實現(xiàn)對條帶噪聲的描述。為有效利用條帶噪聲之間存在的結(jié)構(gòu)相似性，本文將對條帶噪聲加以群稀疏限制引入到單向變分模型中，以減弱單向變分模型產(chǎn)生的階梯效應(yīng)，更好地消除條帶噪聲，建立群稀疏技術(shù)約束的單向變分模型（Unidirectional total variation model with group sparsity constraint,UTVGSC):

紅外圖像選取具有代表性的“Elephant”、“Warcraft”、“Tank”、“Man”4幅圖像加入條帶噪聲進(jìn)行實驗，原始圖像如圖3所示。表1給出不同模型去除條帶噪聲前后的PSNR與SSIM的值，從表1可以看出本文的UTVGSC模型的PSNR與SSIM均高于其余4種模型。圖4給出4幅紅外圖像采用不同模型去噪后的結(jié)果。從圖中可以看出，稀疏分解的結(jié)果殘留大量的條帶噪聲，這是由于條帶噪聲和圖像一樣具有稀疏性，單一的稀疏變換無法將二者分離。TV去噪的結(jié)果仍然存在較強的條帶干擾，這是由于TV模型未考慮條帶噪聲的方向性，從而不能有效去除條帶噪聲。與TV模型相比，DTV更好地考慮到條帶噪聲的方向性，去除圖像條帶噪聲的性能有一定幅度的提高，條帶噪聲在一定程度上得到減弱，如圖4(d）所示。LRSID較好地實現(xiàn)了圖像與條帶噪聲的分離，但去噪后圖像仍然存在少許條帶噪聲陰影。在所有的模型中，本文提出的UTVGSC模型獲得圖像是最清晰的，幾乎未發(fā)現(xiàn)殘留的條帶噪聲，圖像的輪廓與細(xì)節(jié)都得到了較好的保留，去除條帶噪聲的性能最優(yōu)。

【參考文獻(xiàn)】：
期刊論文
[1]遙感影像條帶噪聲去除的小波變分法[J]. 王昶,張永生,王旭,紀(jì)松.  測繪學(xué)報. 2019(08)
[2]改進(jìn)的稀疏表示遙感圖像超分辨重建[J]. 朱福珍,劉越,黃鑫,白鴻一,巫紅.  光學(xué)精密工程. 2019(03)
[3]頻域濾波與直方圖匹配相結(jié)合的條帶噪聲去除法[J]. 羅敏,康一飛,潘勵.  地理空間信息. 2018(07)
[4]超低照度下微光圖像的深度卷積自編碼網(wǎng)絡(luò)復(fù)原[J]. 劉超,張曉暉.  光學(xué)精密工程. 2018(04)
[5]復(fù)合面陣CCD攝影相機的實驗室輻射定標(biāo)[J]. 李晶,趙建科,昌明,呼新榮.  光學(xué)精密工程. 2017(01)
[6]稀疏閾值的超分辨率圖像重建[J]. 何陽,黃瑋,王新華,郝建坤.  中國光學(xué). 2016(05)
[7]遙感衛(wèi)星影像K-SVD稀疏表示去噪[J]. 夏琴,邢帥,馬東洋,莫德林,李鵬程,葛忠孝.  遙感學(xué)報. 2016(03)
[8]基于圖像局部方向特性的自適應(yīng)全變分去噪模型[J]. 唐玲,陳明舉.  液晶與顯示. 2016(05)
[9]反射式拼接CCD相機非均勻性定標(biāo)與校正[J]. 李曉杰,任建偉,李憲圣,孫景旭,萬志,劉洪興.  液晶與顯示. 2014(06)
[10]基于變分偏微分方程的紅外圖像增強算法研究[J]. 趙文達(dá),趙建,韓希珍,續(xù)志軍.  液晶與顯示. 2014(02)



本文編號：3217761