×
Sreekala，K。;H.C.Sateesh库马尔;拉贾，K.B。

使用高斯混合自适应模型在曲线域中进行对比度增强的微光图像去噪解决方案。 （英语） Zbl 1479.94048号

国际小波多分辨率。信息处理。 19，第1号，文章ID 2050054，17 p.（2021）.
本文提出了一种去除微光图像中噪声的方法。在应用任何对象和字符增强技术之前，去除这种噪声是必要的，以避免图像处理中的错误推断。第2节总结了过去十年中发表的有关该主题的论文。在提出的方法中，基于曲线变换的方法值得一提。曲线变换是小波中出现的一种方法。本文表明，与图像处理中使用的其他方法相比，该方法在表示具有边缘的对象方面具有优势。据作者介绍，本文提出的方法包括（简而言之）“步骤1：将输入图像转换为曲线域。步骤2：将转换图像中的粗分量转换为块，并使用GMM（高斯混合模型）对块进行建模步骤3：通过最大化对数似然来初始化模型参数。步骤4：使用GMM参数，获得MAP（最大后验概率）估计。使用MAP估计恢复图像块并构造相应的去噪图像。步骤5：使用更新的补丁通过EM算法更新GMM。步骤6：重复步骤4和5，直到获得满意的无噪图像。步骤7：进行逆曲线变换。由此获得的输出图像将是噪声最小、对比度增强的图像”。本文最后将所提出的方法与其他当前使用的方法进行了比较，对来自免费可用图像库的图像和具有低亮度和附加噪声的真实图像进行了比较。显示了新的降噪技术在不损失相关真实特征的情况下的优势。
审核人：奥斯卡·巴斯托斯（科尔多瓦）

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：

期望最大化;曲波变换;高斯混合模型;图像去噪;最大限度后部估计

软件：

BSDS公司
PDF格式BibTeX公司 XML格式引用
\textit{K.Sreekala}等人，《国际小波多分辨率》。信息处理。19，第1号，文章ID 2050054，17 p.（2021；Zbl 1479.94048）
全文： 内政部

参考文献：

[1] Buades，A.，Coll，B.和Morel，J.-M.，《图像去噪算法综述》，新算法SIAM J.Multiscale Modeli。模拟。SIAM跨学科。J.4（2）（2005）490-530·Zbl 1108.94004号
[2] Cai，N.等人，基于补丁的自适应高斯混合先验方法的图像去噪，SIViP（2016）。
[3] Candes，E.，神经网络的谐波分析，应用。计算。哈蒙。分析6（2）（1999）197-218·Zbl 0931.68104号
[4] Candes，E.和Donoho，D.，Ridgelets:高维间歇的关键，Philos。事务处理。R.Soc.伦敦A，数学。物理学。《工程科学》357（1760）（1999）2495-2509·Zbl 1082.42503号
[5] Cao，Y.，Luo，Y.和Yang，S.，高斯混合模型图像去噪，图像与信号处理大会，海南三亚，2008，第339-343页。
[6] Chaudhuri，S.、Velmurugan，R.和Rameshan，R.，《MAP估计：何时起作用》，《盲图像反褶积：方法与收敛》（Springer International Publishing，2014），第61-75页·Zbl 1298.68013号
[7] C.-A.Deledalle，S.Parameswaran和T.Q.Nguyen，广义高斯混合模型补丁先验的图像去噪，（2018）·兹比尔1429.94011
[8] Delon，J.和Houdard，A.，《图像去噪的高斯先验：基础、开放挑战和新趋势》，载于《计算机视觉和模式识别进展》（Springer，2018），第125-149页。
[9] Jain，P.和Tyagi，V.，LAPB：基于局部自适应块的小波域边缘保护图像去噪（信息科学，2015）·Zbl 1360.94040号
[10] Kittisuwan，P.，《基于混合模型和简单形式MMSE估计的低复杂度图像去噪》，《国际小波多分辨率》。信息处理16（2018）1850052·Zbl 1434.94013号
[11] Knaus，C.和Zwicker，M.，双域图像去噪，摘自IEEE国际会议图像处理，维多利亚州墨尔本，2013年，第440-444页。
[12] 李玉凤，基于非抽取离散小波变换的图像去噪，载《国际小波分析与模式识别》，北京，2007年，第527-531页。
[13] Liu，X.，Zhang，H.，Cheung，Y.-M.，You，X.和Tang，Y.，《有效的单图像去叠和去噪：一种有效的多尺度相关小波方法》，计算。视觉。图片Und.162（2017）23-33。
[14] Luo，E.，Cha，S.H.和Nguyen，T.Q.，混合自适应图像去噪，IEEE Trans。图像处理。25（10）（2016）4489-4503·Zbl 1408.94448号
[15] J.Ma和G.Plonka，《Curvelet变换》，载于IEEE信号处理杂志，第27卷，第2期，第118-133页，2010年3月，doi:10.1109/MSP.2009.935453。
[16] Martin，D.，Fowlkes，C.，Tal，D.和Malik，J.，人类分割自然图像数据库及其在评估分割算法和测量生态统计中的应用，载于第八届国际计算机视觉会议，ICCV，2001年第2卷，第416-423页。
[17] Mockus，J.，《局部优化的贝叶斯方法》，收录于《全局优化的贝叶斯方法》第37卷（Springer，Dordrecht，1989）·Zbl 0693.49001号
[18] Remenyi，N.，Nicolis，O.，Nason，G.和Vidakovic，B.，《利用二维尺度混合复小波变换进行图像去噪》，IEEE Trans。图像处理23（2014）5165-5174·Zbl 1374.94318号
[19] Ruihong，Y.、Liwei，T.、Ping，W.和Jiajun，Y.，基于曲线变换和连续阈值的图像去噪，第一届国际会议普及计算、信号处理和应用，哈尔滨，2010年，第13-16页。
[20] Sharma，A.和Singh，J.，《使用空域滤波器的图像去噪：定量研究》，第六届国际图像和信号处理大会，杭州，2013年，第293-298页。
[21] Starck，J.-L.，Candes，E.J.和Donoho，D.L.，图像去噪的曲线变换，IEEE Trans。图像处理。11（6）（2002）670-684·Zbl 1288.94011号
[22] Wang，Z.、Bovik，A.C.、Sheikh，H.R.和Simoncelli，E.P.，《图像质量评估：从错误可见性到结构相似性》，IEEE Trans。图像处理。4（4）（2004）600-612。
[23] Wu，C.和Jiang，H.，基于提升小波的轮廓波变换与循环移位方差的接触网图像去噪方法，国际小波多分辨率。《信息处理》17（2018）1850060·Zbl 1426.94031号
[24] www.cs.tut.fi/f̃oi/GCF-BM3D/。
[25] You，X.，Guo，W.，Yu，S.，Li，K.，Prncipe，J.C.和Tao，D.，动态纹理合成的内核学习，IEEE Trans。图像处理。25（10）（2016）4782-4795·Zbl 1408.94778号
[26] Zhang，S.、Jiao，L.、Liu，F.和Wang，S.，基于高斯混合模型的全局低阶图像恢复，IEEE Trans。Cybern.48（6）（2018）1827-1838。
[27] Zhang，J.，Liu，J.，Li，T.，Zheng，Y.和Jin，W.，基于高斯混合模型学习的自适应正则化参数图像去噪方法，多媒体工具应用76（2016）11471-11483。
[28] Zoran，D.和Weiss，Y.，《从自然图像补丁的学习模型到整体图像恢复》，IEEE国际计算机视觉会议（ICCV），（IEEE，2011年），第479-486页。
[29] Zvokelj，M.、Zupan，S.和Prebil，I.，使用核主成分分析结合集成经验模式分解方法的非线性多变量和多尺度监测和信号去噪策略，Mech。系统。信号处理25（2011）2631-2653。
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。