基于稀疏三维变换域协同滤波的图像降噪
来源:互联网 发布:局域网共享端口开启 编辑:程序博客网 时间:2024/06/05 02:31
目前是我图像处理大作业学习的论文,目前可能有的专业术语还不准确,欢迎指正、讨论
要解决的问题
去除一副图像的稀疏噪声,主要指高斯噪声
为什么采用此方法
传统变换域的稀疏表示(如2维DCT)由于过完备性不能有效地保留细节,PCA以及K-SVD的缺点是运算量过大。
本方法的创新点
1.每一点的像素的更新值是全局加权的结果,意味着图像中与此点关联较大的点都做出了贡献。
2.将协同滤波和维纳滤波相结合
协同滤波、维纳滤波
协同滤波和维纳滤波都是图像复原中重要的方法。有时间整理。
算法步骤
第一步,分组:首先将图像分块(设单块大小M×M),采用相似度衡量的方式将图像块分为多组,每一组信息近似,传统的方法有K聚类等,但是这种 方法使得每一类中的图像块是不重复的,这会使得一个更新后的图像块的加权群体变小,而且分类很慢。因此,采用Block-matching法进行分组,一个图像块可能被分入多个组,而其更新值也是这多个组内协通滤波后的加权平均。
如下图,任意选择一个参考图像R,在整个图像中搜寻,寻找类似块图像。
第二步,协同滤波:hard-thresholding:经过Block-matching法后,图像块分为N个组(每个组可能有重复的图像块),对每个组进行协同滤波:将2D图像序列认为是3D图像,进行3D变换,使用hard-thresholding进行滤波(hard-thresholding参见http://blog.csdn.net/abcjennifer/article/details/8572994)。再进行3D反变换回到原域。
第三步,加权叠加:不同组可能包含相同图像块,因此该图像块的更新值就是各组的加权结果,加权系数与样本的方差大小成反比。此时得到的图像可以认为是估计图像
第四步,分组,协同滤波:与前面步骤相似,但这次采用的滤波方式为维纳滤波(第一步得到的图像认为是估计图像),再次得到一组变换后的图像组。
第五步,加权叠加:与前文类似,得到最终结果。
快速高效实现
减少处理图像块数目,匹配时步长设置step>1
限制分组上限N2
仅在局部区域Ns*Ns进行模板匹配(中心区域是主要部分,边缘信息忽略)
预测匹配,根据之前的匹配结果进行不同移动匹配
将3维变换变为2维变换和1维变换的结合
变换系数提前计算,可重复使用(默认参数下)
下面链接包括基于三维协同滤波的黑白、彩色、视频图像处理MATLAB代码等,可供大家学习研究
http://download.csdn.net/detail/mingtian715/9546569
- 基于稀疏三维变换域协同滤波的图像降噪
- 推荐算法:基于领域的协同滤波:数据稀疏和冷启动
- 推荐算法:基于领域的协同滤波
- Matlab中图像处理实例:灰度变换,空域滤波,频域滤波,傅里叶变换的实现
- 基于K-SVD稀疏字典的图像去噪算法
- 基于稀疏表示的图像超分辨
- 基于KNN的协同滤波推荐算法实现
- 基于立体视觉的三维图像重建
- 基于DSP的图像中值滤波处理
- 基于逆滤波的图像去模糊
- 基于小波变换的图像去噪
- 基于小波变换的图像去噪matlab仿真
- 图像的域变换
- 基于多项滤波的数字正交变换MATLAB仿真程序
- CALay 的三维变换
- 基于小波变换的图像融合
- 基于小波变换的图像融合
- 基于matlab的图像hough变换
- Android 5.0 Notification的改变
- struts1 action 之间的跳转
- JDK容器与并发—Map—TreeMap
- Python 爬虫学习1
- JAVA集合类图
- 基于稀疏三维变换域协同滤波的图像降噪
- centos下configure zeromq-4.1.2时错误解决方法
- 64位UBUNTU 下安装和配置使用python的spark
- 利用中间件Multer实现上传功能
- hdu1754I Hate It
- 2016年腾讯产品笔试真题
- 5.1 抽象化
- markdown(二)语法
- ubuntu14.04 安装 搜狗输入法