基于稀疏表示與非局部相似融合的圖像去噪算法
大小：1.03 MB 人氣： 2017-12-25 需要積分：1
針對受加性高斯白噪聲（ AWGN）與椒鹽噪聲（SPIN）以及隨機值沖擊噪聲（RVIN）組成的混合噪聲污染的圖像進行去噪的問題，提出一種在現有加權編碼算法的基礎上將圖像稀疏表示和非局部相似先驗融合的改進算法。首先，利用基于字典的圖像稀疏表示構建去噪變分模型，對模型中的數據保真項設計一個權重因子來抑制沖擊噪聲的干擾；其次，利用非局部平均思想對混合噪聲圖像進行初始去噪，在得到的圖像中構建掩膜矩陣將沖擊噪聲點排除進而求取非局部相似先驗知識；最后，將非局部相似先驗與稀疏先驗融合進變分模型的正則項中，求解變分模型得到最終去噪圖像。實驗結果表明，在不同的噪聲比率下，所提算法與模糊加權非局部平均算法相比，峰值信噪比（ PSNR）提高了1.7 dB，特征相似性指數（FSIM）提高了0.06；與加權編碼算法相比，PSNR提高了0.64 dB，FSIM提高了0. 03。該算法對于紋理較強的圖像可以顯著提升去噪效果，能有效地保留圖像的本真信息。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于稀疏表示與非局部相似融合的圖像去噪算法下載
相關電子資料下載
- 昆侖萬維開源2千億稀疏大模型Skywork-MoE 371
- 一種柔性稀疏傳感器網絡系統，用于新生兒不安運動評估 607
- 基于柔性無線IMU傳感器的稀疏傳感網絡，用于新生兒腦癱快速篩查 375
- 基于柔性無線IMU傳感器的稀疏傳感網絡 159
- Sparse4D-v3：稀疏感知的性能優化及端到端拓展 806
- 深入理解BigBird的塊稀疏高效實現方案 343
- CCV 2023 | SparseBEV：高性能、全稀疏的純視覺3D目標檢測器 602
- 基于全稀疏的單階段3D目標檢測器優化方案 338
- 對于極暗場景RAW圖像去噪，你是否還在被標定折磨？ 929
- NVIDIA Ampere 架構的結構化稀疏功能及其在搜索引擎中的應用 371