基于稀疏表示与非局部相似融合的图像去噪算法
大小:1.03 MB 人气: 2017-12-25 需要积分:1
针对受加性高斯白噪声( AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比( PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0. 03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。
非常好我支持^.^
(0) 0%
不好我反对
(0) 0%
下载地址
基于稀疏表示与非局部相似融合的图像去噪算法下载
相关电子资料下载
- CCV 2023 | SparseBEV:高性能、全稀疏的纯视觉3D目标检测器 149
- 基于全稀疏的单阶段3D目标检测器优化方案 150
- 对于极暗场景RAW图像去噪,你是否还在被标定折磨? 335
- NVIDIA Ampere 架构的结构化稀疏功能及其在搜索引擎中的应用 150
- 什么是稀疏阵列天线 稀疏相控阵天线优点 762
- Sparse4D系列算法:迈向长时序稀疏化3D目标检测的新实践 537
- 基于通过非常稀疏的视角输入合成场景的方法 187
- ICLR 2023 Spotlight|节省95%训练开销,清华黄隆波团队提出强化学习专用稀疏训练 205
- Co-SLAM: 联合坐标和稀疏参数编码的神经实时SLAM 802
- SDMNet:大规模激光雷达点云配准的稀疏到稠密匹配网络 345