發(fā)布時間：2018-01-01 04:41

  本文關鍵詞：加權低秩矩陣恢復的混合噪聲圖像去噪　出處：《計算機科學》2016年01期 　論文類型：期刊論文

  更多相關文章： 圖像去噪 低秩矩陣恢復 加權 稀疏

【摘要】：傳統(tǒng)的基于低秩矩陣恢復的圖像去噪算法只對低秩部分進行約束,當高斯噪聲過大時,會導致去噪不充分或細節(jié)嚴重丟失。針對此問題,提出了一種新的魯棒的圖像去噪模型。該模型在原有的低秩矩陣核范數(shù)約束的基礎上引入高斯噪聲約束項,此外為了提高低秩矩陣的低秩性和稀疏矩陣的稀疏性,引入了加權的方法。為了考察方法的去噪能力,選取了不同參數(shù)類型的混合噪聲圖像進行仿真,并結合峰值信噪比、結構相似度評價標準與傳統(tǒng)的基于低秩矩陣恢復的圖像去噪算法進行對比。實驗結果表明,加權低秩矩陣恢復的混合噪聲圖像去噪算法能增加低秩矩陣的低秩性和稀疏矩陣的稀疏性,在保證去噪效果的同時,保留了圖像的細節(jié)信息,具有更佳的視覺效果,同時,客觀評價指標均有所提高。
[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.
【作者單位】： 西南交通大學信息科學與技術學院;
【基金】：國家自然科學基金項目(61271341) 四川省自然科學基金項目(2013JY0136)資助
【分類號】：TP391.41
【正文快照】： 行濾波處理,再將結果反變換融合到二維,形成去噪后的圖1　引言像。文獻[4]提出將矩陣分解為低秩部分和稀疏部分并對低圖像在獲取和傳輸?shù)倪^程中常常會受到各種噪聲的污秩矩陣恢復進行了全面的理論分析,低秩理論由于具有較強染,從而降低了圖像的主觀和客觀質(zhì)量,給后繼的圖像處

【參考文獻】

相關期刊論文 前1條

1 鄭秀清;何坤;張健;;基于結構信息的RPCA圖像去噪[J];計算機科學;2014年08期

【二級參考文獻】

相關期刊論文 前2條

1 焦峰;畢碩本;趙英男;耿煥同;;基于自相似性和小波分析的圖像增強與去噪[J];計算機科學;2010年10期

2 黃寶貴;馬春梅;盧振泰;;新的形態(tài)學圖像降噪方法[J];計算機應用;2011年03期

【相似文獻】

相關期刊論文 前10條

1 王勇智,黃紅波;一種數(shù)學圖像去噪的新方法[J];岳陽職業(yè)技術學院學報;2005年01期

2 楊淑伶;郭定輝;管克英;;一個用于圖像去噪、量化的反應擴散模型[J];數(shù)學的實踐與認識;2006年08期

3 王香菊;;圖像去噪方法及應用[J];科技情報開發(fā)與經(jīng)濟;2007年27期

4 高嵐;廖云良;袁中華;;尺度適應性二代小波的圖像去噪方法[J];船海工程;2007年06期

5 楊文國;;基于擴散方程的圖像去噪[J];科技風;2008年20期

6 于雯輝;田逢春;李立;唐光菊;;基于空域平均的圖像去噪方法[J];光電子技術;2008年02期

7 王銀峰;朱麗麗;何光宏;朱根琴;;一種基于尺度相關的小波圖像去噪方法[J];激光雜志;2008年05期

8 姚斌;楊玲香;;基于非線性復擴散和小波的圖像去噪方法[J];航空計算技術;2009年05期

9 李柯材;張曦煌;;基于鄰域閾值萎縮法的圖像去噪方法的優(yōu)化[J];計算機應用;2010年01期

10 李燕民;季維勛;李維國;;一種新的圖像去噪方法[J];微計算機應用;2010年03期

相關會議論文 前10條

1 劉旨春;朱偉;盛磊;;基于鄰域特性的小波閾值圖像去噪方法[A];第九屆全國信息獲取與處理學術會議論文集Ⅱ[C];2011年

2 陳仙紅;屈小波;郭迪;寧本德;陳忠;;自適應方向小波在磁共振圖像去噪中的應用[A];第十七屆全國波譜學學術會議論文摘要集[C];2012年

3 韓希珍;趙建;;基于偏微分方程的圖像去噪[A];第八屆全國信息獲取與處理學術會議論文集[C];2010年

4 殷明;劉衛(wèi);;基于非高斯分布的四元數(shù)小波圖像去噪[A];全國第22屆計算機技術與應用學術會議(CACIS·2011)暨全國第3屆安全關鍵技術與應用（SCA·2011）學術會議論文摘要集[C];2011年

5 侯艷芹;李均利;魏平;陳剛;;一種新的基于模糊均差和小波閾值的醫(yī)學圖像去噪方法[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

6 劉曙光;費佩燕;屈萍鴿;;基于對偶樹復小波的圖像去噪技術研究[A];2009中國儀器儀表與測控技術大會論文集[C];2009年

7 周利利;張曉明;;基于小波變換的圖像去噪研究[A];2009全國測繪科技信息交流會暨首屆測繪博客征文頒獎論文集[C];2009年

8 王文;康錫章;王曉東;;基于小波域HMT的航空偵察圖像去噪方法[A];'2003系統(tǒng)仿真技術及其應用學術交流會論文集[C];2003年

9 倪永婧;王成儒;;一種紋理圖像去噪方法的研究[A];2006中國控制與決策學術年會論文集[C];2006年

10 鄧超;;基于改進神經(jīng)網(wǎng)絡的CCD圖像去噪方法研究[A];武漢(南方九省)電工理論學會第22屆學術年會、河南省電工技術學會年會論文集[C];2010年

相關博士學位論文 前10條

1 張偉;具有擴散—波動調(diào)和特性的圖像去噪方法[D];上海交通大學;2014年

2 劉紅毅;結構保持的圖像去噪方法研究[D];南京理工大學;2011年

3 侯迎坤;非局部變換域圖像去噪與增強及其性能評價研究[D];南京理工大學;2012年

4 侯建華;基于小波及其統(tǒng)計特性的圖像去噪方法研究[D];華中科技大學;2007年

5 龐志峰;圖像去噪問題中的幾類非光滑數(shù)值方法[D];湖南大學;2010年

6 褚標;小波理論在圖像去噪與紋理分析中的應用研究[D];合肥工業(yè)大學;2008年

7 張建平;基于偏微分方程的圖像去噪和分割方法[D];大連理工大學;2012年

8 辛巧;偏微分方程及其在圖像去噪和分割中的應用[D];重慶大學;2011年

9 李新娜;核回歸方法研究及其在圖像去噪中的應用[D];國防科學技術大學;2014年

10 許光宇;非局部圖像去噪方法及其應用研究[D];合肥工業(yè)大學;2013年

相關碩士學位論文 前10條

1 陳龍;偏微分方程擴散模型在圖像去噪中的應用[D];昆明理工大學;2015年

2 李孟嬌;基于壓縮感知的圖像去噪理論研究[D];長安大學;2015年

3 楊巧;新的TV改進模型以及在SAR圖像去噪中的應用[D];陜西師范大學;2015年

4 顏珂;高通量基因測序堿基識別中圖像去噪的方法研究[D];哈爾濱工業(yè)大學;2015年

5 遲廣元;兩類圖像去噪模型的若干數(shù)值新方法研究[D];華北電力大學;2015年

6 陳會娟;噪聲的估計及基于快速NLM的去除[D];華僑大學;2015年

7 萬青;基于非參數(shù)估計的核回歸圖像去噪[D];中南民族大學;2008年

8 李理;加權型線性積分卷積圖像去噪方法研究[D];南京理工大學;2013年

9 余雷;基于聯(lián)合字典學習的圖像去噪[D];湖南師范大學;2013年

10 濮震宇;基于小波收縮的圖像去噪[D];蘇州大學;2010年

，

本文編號：1362989