×
罗，梁；赵志琴；李晓萍；冯向珠

一种基于自适应补丁大小的随机图像去噪方法。 （英语） Zbl 1421.94010号

多维系统。信号处理。 30，第2号，705-725（2019）.
摘要：提出了一种基于自适应补丁大小的随机非局部去噪方法。通过分别为图像的每个位置选择最佳的非局部相似补丁大小，可以提高恢复图像的质量。该方法包含两个阶段。第一阶段是基于自适应补丁大小搜索相似的补丁。第二阶段是利用第一步获得的相似图像块设计去噪算法。使用Markov-chain Monte Carlo多次采样搜索每个像素点的多个相似补丁簇。接下来，我们根据多个簇的一致性调整补丁大小。重复此过程，直到我们获得最佳补丁大小和相应的最佳补丁簇。我们采用改进的双向非局部方法得到了无噪声斑块簇的估计。此外，利用叠加方法得到了去噪后的图像。理论分析和仿真结果表明，该方法是可行和有效的。

引用于1文件

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）

关键词：

图像去噪；自适应补丁大小；Markov-chain Monte Carlo方法；双向非局部逼近

软件：

美国有线电视新闻网
PDF格式BibTeX公司 XML格式引用
\textit{L.Luo}等人，《多维系统》。信号处理。30，编号2，705--725（2019；Zbl 1421.94010）
全文： DOI程序

参考文献：

[1] Buades，A.、Coll，B.和Morel，J.M.（2005）。图像去噪的非局部算法。IEEE计算机视觉和模式识别国际会议，2，20-25·Zbl 1108.94004号
[2] Cheng，G.、Yang，C.、Yao，X.、Guo，L.和Han，J.（2018）。当深度学习遇到度量学习时：通过学习区分CNN进行遥感图像场景分类。IEEE地球科学和遥感汇刊，。https://doi.org/10.109/TGRS.2017.2783902。 ·doi:10.1109/TGRS.2017.2783902
[3] Cheng，G.，Zhou，P.，&Han，J.（2016）。用于VHR光学遥感图像目标检测的旋转-变卷积神经网络学习。IEEE地球科学与遥感学报，54（12），7405-7415·doi:10.1109/TGRS.2016.2601622
[4] Dabov，K.、Foi，V.和Katkovnik，V.（2007年）。稀疏三维变换域协同滤波的图像去噪。IEEE图像处理事务，16（8），2080-2095·doi:10.10109/TIP.2007.901238
[5] 约翰一世（1996年）。快速噪声方差估计。计算机视觉和图像理解，64（2），300-302·doi:10.1006/cviu.1996.0060
[6] Levin，A.、Nadler，B.、Durand，F.、Freeman，W.T.（2012）。面片复杂性、有限像素相关性和最佳去噪。计算机科学课堂讲稿（第7576卷，第73-86页）。
[7] Mahmoudi，M.和Sapiro，G.（2005年）。通过相似邻域的非局部方法进行快速图像和视频去噪。IEEE信号处理信件，12（12），839-842·doi:10.1109/LSP.2005.859509
[8] Orchard，J.、Ebrahimi，M.、Wong，A.（2008）。有效的非局部意味着使用奇异值分解进行去噪。IEEE图像处理国际会议论文集。
[9] Rudin，L.I.、Osher，S.和Fatemi，E.（1992年）。基于非线性全变分的噪声去除算法。《物理D：非线性现象》，60，259-268·Zbl 0780.49028号 ·doi:10.1016/0167-2789（92）90242-F
[10] Wang，W.和Feng，X.（2008）。非线性结构张量的各向异性扩散。多尺度建模与仿真，7（2），963-977·Zbl 1194.68252号 ·数字对象标识代码：10.1137/070711797
[11] Wang，Z.、Bovik，A.C.、Sheikh，H.R.和Simoncelli，E.P.（2004）。图像质量评估：从错误可见性到结构相似性。IEEE图像处理汇刊，13（4），600612·doi:10.1109/TIP.2003.819861
[12] Wong，A.、Mishra，A.K.、Zhang，W.、Fieguth，P.W.和Clausi，D.A.（2011年）。基于Markov-Chain Monte Carlo抽样的随机图像去噪。信号处理，91（8），2112-2120·Zbl 1217.94021号 ·doi:10.1016/j.sigpro.2011.03.021
[13] Yao，X.、Han，J.、Zhang，D.和Nie，F.（2017）。重温共显著检测：基于两阶段多视角光谱旋转共聚类的新方法。IEEE图像处理汇刊，26（7），3196-3209·Zbl 1409.94712号 ·doi:10.1109/TIP.2017.2694222
[14] Zhang，D.，Meng，D.和Han，J.（2017a）。通过自定步长的多实例学习框架进行协同有效性检测。IEEE模式分析和机器智能汇刊，39（5），865-878·doi:10.1109/TPAMI.2016.2567393
[15] Zhang，K.、Zuo，W.、Chen，Y.、Meng，D.和Zhang，L.（2017b）。超越高斯去噪器：用于图像去噪的深度CNN的残差学习。IEEE图像处理汇刊，26（7），3142-3155·Zbl 1409.94754号 ·doi:10.1109/TIP.2017.2662206
[16] Zhang，L.、Dong，W.、Zhang、D.和Shi，G.（2010）。基于局部像素分组的主成分分析两阶段图像去噪。模式识别，43（4），1531-1549·Zbl 1191.68808号 ·doi:10.1016/j.patcog.2009.09.023
[17] Zhang，L.、Yang，J.和Zhang and D.（2017c）。用于跨域图像分类的基于域类一致性的传输学习。信息科学，419，242-257·doi:10.1016/j.ins.2017.08.034
[18] Zhang，L.、Zuo，W.和Zhang、D.（2016）。LSDT：用于视觉适应的潜在稀疏域转移学习。IEEE图像处理汇刊，25（3），1177-1191·Zbl 1408.94805号 ·doi:10.1109/TIP.2016.2516952
[19] Zhang，X.、Feng，X.和Wang，W.（2013）。用于图像去噪的双向非局部模型。IEEE图像处理汇刊，22（1），408-412·Zbl 1373.94491号 ·doi:10.1109/TIP.2012.2214043
[20] Zhang，X.和Wu，X.（2008）。通过自适应二维自回归建模和软判决估计进行图像插值。IEEE图像处理汇刊，17（6），887-896·doi:10.1109/TIP.2008.924279
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。