×

通过同时稀疏编码进行图像恢复:结构稀疏性满足高斯尺度混合。 (英语) Zbl 1398.94029号

摘要:在图像处理中,已知稀疏编码与变分和贝叶斯方法都相关。变分图像恢复中的正则化参数与贝叶斯方法中稀疏系数分布的形状参数有着内在的联系。如何以一种原则性且具有空间自适应性的方式设置这些参数是一个具有挑战性的问题,尤其是对于非局部图像模型。在这项工作中,我们提出了一个结构化稀疏编码框架来解决这个问题——更具体地说,使用同步稀疏编码(SSC)开发了高斯尺度混合(GSM)模型的非局部扩展,并探讨了其在图像恢复中的应用。结果表明,如果将稀疏系数的方差(高斯标量乘子场)视为潜在变量,则可以通过交替优化方法与未知稀疏系数一起联合估计。当应用于图像恢复时,我们的实验结果表明,所提出的SSC-GSM技术既可以保持边缘的清晰度,又可以抑制不希望出现的伪影。基于SSC-GSM的图像恢复具有更好的空间自适应能力,因此与其他竞争方法相比,其重建图像通常具有更高的主客观质量。

MSC公司:

94A08型 信息和通信理论中的图像处理(压缩、重建等)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] M·亚哈龙;Elad,M;Bruckstein,A,The K-SVD:一种设计稀疏表示超完备字典的算法,IEEE Transactions on Signal Processing,54,4311-4322,(2012)·Zbl 1375.94040号 ·doi:10.1109/TSP.2006.881199
[2] 安德鲁斯,DF;马尔洛,CL,正态分布的比例混合,皇家统计学会杂志。B系列(方法学),36,99-102,(1974)·Zbl 0282.62017号
[3] 贝克,A;Teboulle,M,约束全变分图像去噪和去模糊问题的快速梯度算法,IEEE图像处理汇刊,182419-2434,(2009)·Zbl 1371.94049号 ·doi:10.1109/TIP.2009.2028250
[4] Box,G.E.和Tiao,G.C.(2011年)。统计分析中的贝叶斯推断(第40卷)。纽约:Wiley。
[5] 博伊德,S;Parikh,北;楚,E;佩莱托,B;Eckstein,J,《通过交替方向乘数法进行分布式优化和统计学习》,机器学习的基础和趋势,3,1-122,(2011)·Zbl 1229.90122号 ·doi:10.1561/220000016
[6] 布亚德斯,A;科尔,B;Morel,J-M,图像去噪的非局部算法,CVPR,2,60-65,(2005)·Zbl 1108.94004号
[7] 甘蔗,E;Wakin,M;Boyd,S,《通过重加权(l_1)最小化增强稀疏性》,《傅里叶分析与应用杂志》,第14期,第877-905页,(2008)·Zbl 0755.41007号 ·doi:10.1007/s00041-008-9045-x
[8] Carlson,C.、Adelson,E.和Anderson,C.(1985年6月)。图像再现信号取芯系统。美国专利4523230。
[9] SG Chang;于,B;Vetterli,M,用于图像去噪和压缩的自适应小波阈值,IEEE图像处理汇刊,9,1532-1546,(2000)·Zbl 0962.94028号 ·数字对象标识代码:10.1109/83.862633
[10] 达波夫,K;Foi,A;Katkovnik,V;Egiazarian,K,稀疏三维变换域协同滤波图像去噪,IEEE图像处理汇刊,16,2080-2095,(2007)·doi:10.1109/TIP.2007.901238
[11] 丹尼尔扬,A;Katkovnik,V;Egiazarian,K,Bm3d帧和变分图像去模糊,IEEE图像处理汇刊,211715-1728,(2012)·Zbl 1373.94096号 ·doi:10.1109/TIP.2011.2176954
[12] Daubechies,I,紧支撑基的正交基,《纯粹与应用数学通讯》,41909-996,(1988)·Zbl 0644.42026号 ·doi:10.1002/网址:3160410705
[13] Do,明尼苏达州;Vetterli,M,轮廓线变换:一种有效的定向多分辨率图像表示,IEEE图像处理汇刊,142091-2106,(2005)·doi:10.1109/TIP.2005.859376
[14] Dong,W.,Li,X.,Zhang,L.,&Shi,G.(2011)。通过字典学习和结构聚类实现基于稀疏性的图像去噪计算机视觉和模式识别大会上.
[15] Dong,W.,Shi,G.,&Li,X.(2013a)。基于双边方差估计的非局部图像恢复:一种低阶方法。IEEE图像处理汇刊,22(2), 700-711. ·兹比尔1373.94102
[16] Dong,W.,Zhang,L.,Shi,G.,&Li,X.(2013b)。用于图像恢复的非局部集中稀疏表示。IEEE图像处理汇刊,22(4), 1620-1630. ·Zbl 1373.94104号
[17] 多诺霍,D;Johnstone,I,通过小波收缩实现理想的空间自适应,Biometrika,81,425-455,(1994)·Zbl 0815.62019号 ·doi:10.1093/biomet/81.3.425
[18] Elad,M;Aharon,M,通过学习字典的稀疏和冗余表示进行图像去噪,IEEE图像处理汇刊,213850-3864,(2012)·兹比尔1373.94847 ·doi:10.1109/TIP.2012.2197006
[19] Garrigues,P.和Olshausen,B.A.(2010年)。基于拉普拉斯尺度混合的群稀疏编码。在:神经信息处理系统研究进展(第676-684页)。
[20] Gasso,G;阿科托马蒙杰,A;Canu,S,用特定的非凸惩罚和DC编程系列恢复稀疏信号,IEEE信号处理事务,574686-4698,(2009)·Zbl 1391.90489号 ·doi:10.1109/TSP.2009.2026004
[21] Hocking,R.R.(1976年)。生物特征邀请论文:线性回归中变量的分析和选择。生物计量学,32(1), 1-49. ·Zbl 0328.62042号
[22] 季,S;薛,Y;Carin,L,Bayesian压缩传感,IEEE信号处理汇刊,56,2346-2356,(2008)·Zbl 1390.94231号 ·doi:10.1109/TSP.2007.914345
[23] Katkovnik,V;Foi,A;Egiazarian,K;Astola,J,从局部核到非局部多模型图像去噪,国际计算机视觉杂志,86,1-32,(2010)·兹比尔1477.94014 ·doi:10.1007/s11263-009-0272-7
[24] 吕,S;Simoncelli,E,用高斯混合场对摄影图像的多尺度子带建模,IEEE模式分析和机器智能汇刊,31693-706,(2009)·doi:10.1109/TPAMI.2008.107
[25] Mairal,J.、Bach,F.、Ponce,J.和Sapiro,G.(2009年a)。稀疏编码的在线词典学习。在:2009年IEEE第26届国际机器学习会议,(第689-696页)·Zbl 1242.62087号
[26] Mairal,J.、Bach,F.、Ponce,J.,Sapiro,G.和Zisserman,A.(2009b)。用于图像恢复的非局部稀疏模型。在:2009年IEEE第12届计算机视觉国际会议(第2272-2279页)。
[27] 迈拉尔,J;萨皮罗,G;Elad,M,Learning multiscale sparse representation for image and video restoration,SIAM multiscale Modeling and Simulation,7,214-241,(2008年)·兹比尔1194.49041 ·doi:10.1137/070697653
[28] Mallat,S,(l^{2}({varvec{r}})的多分辨率逼近和小波正交基,美国数学学会学报,31569-87,(1989)·Zbl 0686.42018号
[29] Marquina,A;Osher,SJ,通过电视再规则化和Bregman迭代实现图像超分辨率,科学计算杂志,37367-382,(2008)·Zbl 1203.94014号 ·doi:10.1007/s10915-008-9214-8
[30] Mihcak,I.K.M.K.和Ramchandran,K.(1999)。小波图像系数的局部统计建模及其在去噪中的应用。在:IEEE国际声学会议。语音信号处理(第3253-3256页)。
[31] Polson,N.G.和Scott,J.G.(2010年)。全局收缩,局部行动:稀疏贝叶斯正则化和预测。贝叶斯统计, \(9\), 501-538.
[32] 波提拉,J;斯特雷拉,V;温赖特,M;Simoncelli,E,小波域中使用高斯混合尺度的图像去噪,IEEE图像处理汇刊,12,1338-1351,(2003)·Zbl 1279.94028号 ·doi:10.1109/TIP.2003.818640
[33] 拉米雷斯,我;Sapiro,G,稳健稀疏编码和建模的通用正则化器,IEEE图像处理学报,213850-3864,(2012)·兹比尔1373.94847 ·doi:10.1109/TIP.2012.2197006
[34] 赛义德,A;Pearlman,WA,基于层次树中集合分区的新型快速高效图像编解码器,IEEE视频技术电路和系统汇刊,6,243-250,(1996)·数字对象标识代码:10.1109/76.499834
[35] Shapiro,JM,使用小波系数零树的嵌入式图像编码,《声学、语音和信号处理EEE汇刊》,413445-3462,(1993)·Zbl 0841.94020号 ·doi:10.1009/78.2258085
[36] Taubman,D.和Marcellin,M.(2001年)。JPEG2000:图像压缩基础、标准和实践诺威尔:克鲁沃。
[37] Tipping,M.(2001)。稀疏贝叶斯学习和相关向量机。机器学习研究杂志, \(1\), 211-244. ·Zbl 0997.68109号
[38] Vetterli,M,允许完美重建的滤波器组,信号处理,10219-244,(1986)·doi:10.1016/0165-1684(86)90101-5
[39] 王,Z;博维克,AC;Sheikh,人力资源部;Simoncelli,EP,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,13,600-612,(2004)·doi:10.1109/TIP.2003.819861
[40] 擦拭,DP;Rao,BD,基选择的稀疏贝叶斯学习,IEEE信号处理学报,52,2153-2164,(2004)·Zbl 1369.94318号 ·doi:10.1109/TSP.2004.831016
[41] 擦拭,DP;Rao,BD,解决同时稀疏近似问题的经验贝叶斯策略,IEEE信号处理汇刊,553704-3716,(2007)·Zbl 1391.62010年 ·doi:10.1109/TSP.2007.894265
[42] 擦拭,DP;Rao,BD;Nagarajan,S,促进稀疏性的潜在变量贝叶斯模型,IEEE信息理论汇刊,57,6236-6255,(2011)·Zbl 1365.62103号 ·doi:10.1109/TIT.2011.2162174
[43] 徐,J;Osher,S,迭代正则化和非线性逆尺度空间应用于基于小波的去噪,IEEE图像处理汇刊,16,534-544,(2007)·doi:10.1109/TIP.2006.888335
[44] Yang,J;赖特,J;黄,T;Ma,Y,通过稀疏表示实现图像超分辨率,IEEE图像处理汇刊,192861-2873,(2010)·兹比尔1371.94429 ·doi:10.1109/TIP.2010.2050625
[45] 于,G;萨皮罗,G;Mallat,S,用分段线性估计器解决反问题:从高斯混合模型到结构稀疏性,IEEE图像处理学报,21,2481-2499,(2012)·Zbl 1373.94471号 ·doi:10.1109/TIP.2011.2176743
[46] Zhou,M.、Chen,H.、Paisley,J.、Ren,L.、Sapiro,G.和Carin,L.(2009年)。稀疏图像表示的非参数贝叶斯字典学习。在:神经信息处理系统研究进展(第2295-2303页)。
[47] 周,M;陈,H;佩斯利,J;任,L;李,L;Xing,Z;邓森,D;萨皮罗,G;Carin,L,《用于分析噪声和不完整图像的非参数贝叶斯字典学习》,IEEE图像处理汇刊,21,130-144,(2012)·Zbl 0229.65053号 ·doi:10.1109/TIP.2011.2160072
[48] Zoran,D.和Weiss,Y.(2011年)。从自然图像块的学习模型到整体图像恢复。在:ICCV会议记录.
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。