針對特定類別圖像去噪算法存在部分區(qū)域紋理丟失以及相似塊搜索較為耗時的問題,文中提出了新的基于網(wǎng)格搜索的特定類別圖像去噪算法。使用SSIM在特定類別數(shù)據(jù)集中選取與噪聲圖像相似的候選數(shù)據(jù)集;為加快相似塊的搜索速度,通過網(wǎng)格狀粗尺度搜索框遍歷候選圖像集,使用kNN算法尋找網(wǎng)格中與噪聲塊接近的候選塊;為尋找與噪聲塊更接近的候選塊,依據(jù)候選塊中心位置構(gòu)造細尺度搜索框,遍歷細尺度搜索框篩選候選塊與噪聲塊之間歐氏距離最接近的相似塊;結(jié)合相似塊與全局稀疏結(jié)構(gòu)正則化中的殘差分量來恢復(fù)噪聲圖像的潛影。實驗結(jié)果表明,網(wǎng)格搜索策略能加快相似塊的選擇速度,使用殘差分量不僅能去除圖像噪聲,還能更好地保留圖像邊緣處的信息。 

【文章來源】：計算機科學(xué). 2020,47(11)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

原圖與XR處理的圖像

網(wǎng)格搜索策略

由于大部分真實噪聲與高斯白噪聲非常接近,本文將原始圖像加入高斯白噪聲。高斯白噪聲的標(biāo)準差為σn,取值范圍為σn=30,50,70 。為了找到最佳參數(shù)E和T,需要先固定其他參數(shù)值,然后在人臉數(shù)據(jù)集中測試不同的高斯白噪聲標(biāo)準差下的平均峰值信噪比(Peak Signal-to-noise Ratio,PSNR)的變化趨勢。因單張圖像具有偶然性,這里選取人臉數(shù)據(jù)集中所有樣本的PSNR平均值。其中,E的取值分別為32,64,256和512,T的取值分別為8,16,32和64。不同E和T取值下平均PSRN值的變化如圖3所示。從圖3(a)可以看出,當(dāng)E=64時,平均PSNR值開始趨于平緩;當(dāng)E增加時,平均PSNR值增加得越來越緩慢。數(shù)據(jù)集中包含的圖像數(shù)量越多,去噪時遍歷的圖像就越多,為提高算法的運行效率,這里將E取值為64。從圖3(b)可以看出,隨著T的增加,平均PSNR值不斷減少。這種現(xiàn)象的主要原因是:隨著相似塊數(shù)量的增加,相似塊之間的外觀變形可能會加劇,那么相似塊與噪聲塊的聚合將會導(dǎo)致圖像局部細節(jié)的丟失。因此,相似塊數(shù)量不能過高,這里取值為T=8。

【參考文獻】：
期刊論文
[1]結(jié)合NSCT和KPCA的高光譜遙感圖像去噪[J]. 吳一全,吳超.  遙感學(xué)報. 2012(03)



本文編號：3071274