用于图像去噪的组稀疏残差约束
计算机视觉与模式识别
2017-08-01 v6
摘要
基于组的稀疏表示在图像去噪方面显示出巨大的潜力。然而，大多数现有方法仅考虑噪声输入图像的非局部自相似性 (NSS) 先验。也就是说，相似块仅从退化的输入中收集，这使得图像去噪的质量很大程度上取决于输入本身。然而，此类方法通常存在一个共同缺点，即去噪性能可能会随着噪声水平的增加而迅速下降。在本文中，我们提出了一种新的先验模型，称为组稀疏残差约束 (GSRC)。与传统的基于组的稀疏表示去噪方法不同，GSRC 使用了两种先验，即噪声图像和预滤波图像的 NSS 先验。特别是，我们通过稀疏残差机制整合了这两种 NSS 先验，从而将图像去噪任务转化为减少组稀疏残差的问题。为此，我们首先通过预滤波获得原始图像组稀疏系数的良好估计，然后利用噪声图像的组稀疏系数来近似该估计。为了提高非局部相似块选择的准确性，设计了一种自适应块搜索方案。此外，为了更好地融合这两种 NSS 先验，开发了一种有效的迭代收缩算法来求解所提出的 GSRC 模型。实验结果表明，所提出的 GSRC 建模在客观和感知指标方面优于许多最先进的去噪方法。
引用
@article{arxiv.1703.00297,
title = {Group Sparsity Residual Constraint for Image Denoising},
author = {Zhiyuan Zha and Xinggan Zhang and Qiong Wang and Lan Tang and Xin Liu},
journal= {arXiv preprint arXiv:1703.00297},
year = {2017}
}