特征保留的稀疏表示图像去噪

doi:10.3724/SP.J.1087.2013.01416

计算机应用 ›› 2013, Vol. 33 ›› Issue (05): 1416-1419.DOI: 10.3724/SP.J.1087.2013.01416

特征保留的稀疏表示图像去噪

马路¹,邓承志²,汪胜前²,刘娟娟¹

1. 江西科技师范大学通信与电子学院，南昌 330013
2. 南昌工程学院信息工程学院，南昌 330099

收稿日期:2012-11-26 修回日期:2013-01-07 发布日期:2013-05-08 出版日期:2013-05-01
通讯作者: 马路
作者简介:马路(1986-)，男，湖北黄冈人，硕士研究生，主要研究方向：图像稀疏表示；邓承志(1980-)，男，江西赣州人，副教授，博士，主要研究方向：图像稀疏表示；汪胜前(1965-)，男，江西浮梁人，教授，博士，主要研究方向：图像处理、模式识别；刘娟娟(1989-)，女，安徽亳州人，硕士研究生，主要研究方向：图像处理。
基金资助:
国家自然科学基金资助项目(61162022);江西省自然科学基金资助项目(2009GZW0020);江西省教育厅科技项目(GJJ12632)

Feature-retained image de-noising via sparse representation

MA Lu¹,DENG Chengzhi²,WANG Shengqian²,LIU Juanjuan¹

1. School of Communication and Electronics, Jiangxi Science and Technology Normal University, Nanchang Jiangxi 330013,China
2. School of Information Engineering, Nanchang Institute of Technology, Nanchang Jiangxi 330099, China

Received:2012-11-26 Revised:2013-01-07 Online:2013-05-08 Published:2013-05-01
Contact: MA Lu

摘要/Abstract

摘要： 稀疏表示理论认为在合适的冗余字典下，图像存在最为稀疏的表示，字典的过完备性，使得通过提取很少量的大系数便能捕获到图像中的重要信息，而且对噪声更加鲁棒。针对图像去噪，为了更好地保留图像特征信息，考虑人眼视觉特性，研究过完备字典对噪声图像特征和边缘信息的有效表示，提出以结构相似为信息保真度的特征保留的稀疏表示去噪算法。实验结果表明，该算法能更好地对图像去噪，对特征和边缘等信息的保留能力更强，得到的图像视觉效果更佳。

关键词: 稀疏表示, 图像去噪, 特征保留, 结构相似

Abstract: According to the theory of sparse representation, images can be sparse-represented by using an appropriately redundant dictionary. The completeness can enable using very few big coefficients to capture the important information of images, and cause more robust to noise. Regarding image de-noising, considering the human visual characteristics, this paper studied the effective representation of characteristics and edge information of noisy image based on complete dictionary. For more effective feature retaining of images, a method of feature-retaining de-noising via sparse representation was proposed, which made the Structural SIMilarity (SSIM) as fidelity measure of the information. The experimental results indicate that the proposed algorithm has a better efficiency of de-noising, enhances the capacity of retaining feature, and gets a better visual effect of de-noised image.

Key words: sparse representation, image de-noising, feature retaining, structural similarity

中图分类号:

TN911.73

马路邓承志汪胜前刘娟娟. 特征保留的稀疏表示图像去噪[J]. 计算机应用, 2013, 33(05): 1416-1419.

MA Lu DENG Chengzhi WANG Shengqian LIU Juanjuan. Feature-retained image de-noising via sparse representation[J]. Journal of Computer Applications, 2013, 33(05): 1416-1419.

参考文献

［1］ELAD M. Sparse and redundant representation：from theory to applications in signal and image processing［M］. New York：Springer, 2010.

［2］ELAD M, AHARON M. Image denoising via sparse and redundant representations over learned dictionaries［J］. IEEE Transactions on Image Processing, 2006, 12(15): 3736-3745.

［3］PATI Y C, REZAIIFAR R, KRISHNAPRASAD P S. Orthogonal matching pursuit: recursive function approximation with applications to wavelet decomposition［C］// Proceedings of 1993 Conference Record of the Twenty-Seventh Asilomar Conference on Signals, Systems and Computers. Piscataway: IEEE Press, 1993,1: 40-44.

［4］RUBINSTEIN R, BRUCKSTEIN A M, ELAD M. Dictionaries forsparse representation modeling［J］. IEEE Proceedings Special Issue on Applications of Sparse Representation and Compressive Sensing, 2010, 98(6): 1045-1057.

［5］MALLAT S, ZHANG Z. Matching pursuits with time-frequency dictionaries［J］. IEEE Transactions on Image Processing, 1993, 41(12):3397-3415．

［6］邓承志, 曹汉强. 多尺度脊波字典的构造及其在图像编码中的应［J］. 中国图象图形学报, 2009, 14(7): 1273-1278.

［7］AHARON M, ELAD M, BRUCKSTEIN A M. K-SVD: An algorithm for designing over-complete dictionaries for sparse representation［J］. IEEE Transactions on Signal Processing, 2006, 54(11): 4311-4322.

［8］邓承志. 基于多尺度脊波字典的图像去噪算［J］. 计算机工程, 2010, 36(23): 207-208，211.

［9］基于PSNR与SSIM联合的图像质量评价模型[J].计算机应用，2007，27(2):503-506.

［10］MOORTHY A K, BOVIK A C. Visual importance pooling for image quality assessment［J］. IEEE Journal of Selected Topics in Signal Processing, 2009, 3(2): 193-201.

［11］WANG Z, BOVIK A C, SHEIKH H R, et al.Image quality assessment: from error visibility to structural similarity ［J］. IEEE Transactions on Signal Processing, 2004, 13(4): 600-612.

［12］WANG Z, BOVIK A C. Mean squared error: Love it or leave it? A new look at signal fidelity measures［J］. IEEE Signal Processing Magazine, 2009, 26(1): 98-117.

［13］MAIRAL J, ELAD M, SAPIRO G. Sparse representation for color image restoration［J］. IEEE Transactions on Image Processing, 2008, 17(1): 53-69.

［14］蔡泽民, 赖剑煌. 一种基于超完备字典学习的图像去噪方法［J］. 电子学报，2009， 37(2)： 347-350.

[1]	丁宇伟, 石洪波, 李杰, 梁敏. 基于局部和全局特征解耦的图像去噪网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2571-2579.
[2]	侯瑞峰, 张鹏程, 张丽媛, 桂志国, 刘祎, 张浩文, 王书斌. 基于全变分正则项展开的迭代去噪网络[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 916-921.
[3]	王朋博, 单武扬, 李军, 田茂, 邹登, 范占锋. 抗高强度椒盐噪声的鲁棒拼接取证算法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3177-3184.
[4]	刘安阳, 赵怀慈, 蔡文龙, 许泽超, 解瑞灯. 基于主动判别机制的自适应生成对抗网络图像去模糊算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2288-2294.
[5]	韩林凯, 姚江伟, 王坤峰. 保留梯度和轮廓的可见光与红外图像融合[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3574-3578.
[6]	胡紫琪, 谢凯, 文畅, 李美然, 贺建飚. 生成对抗网络下的低剂量CT图像增强[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 280-288.
[7]	靳华中, 张修洋, 叶志伟, 张闻其, 夏小鱼. 基于近似U型网络结构的图像去噪模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2571-2577.
[8]	包永春, 张建臣, 杜守信, 张军军. 基于非负矩阵分解与稀疏表示的多标签分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1375-1382.
[9]	裴春阳, 樊宽刚, 马政. 基于边缘保留分解和改进稀疏表示的医学图像融合[J]. 计算机应用, 2021, 41(7): 2092-2099.
[10]	任晓奎, 刘鹏飞, 陶志勇, 刘影, 白立春. 基于单快拍信号到达角估计算法的室内入侵检测[J]. 计算机应用, 2021, 41(4): 1153-1159.
[11]	赵扬, 李波. 基于增强生成器条件生成对抗网络的单幅图像去雾[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3686-3691.
[12]	王丽娟, 陈少敏, 尹明, 许跃颖, 郝志峰, 蔡瑞初, 温雯. 基于近邻图改进的块对角子空间聚类算法[J]. 计算机应用, 2021, 41(1): 36-42.
[13]	朱琳, 于海涛, 雷新宇, 刘静, 王若凡. 基于MRI图像的阿尔茨海默症患者脑网络特征识别算法[J]. 计算机应用, 2020, 40(8): 2455-2459.
[14]	王肖, 魏嘉旺, 袁玉波. 基于特征部位圆形域的人脸图像修复方法[J]. 计算机应用, 2020, 40(3): 847-853.
[15]	高彦彦, 李莉, 张晶, 贾英茜. 结合梯度投影稀疏重构和复数小波的图像重构[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 486-490.

特征保留的稀疏表示图像去噪

Feature-retained image de-noising via sparse representation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics