基于自适应低秩去噪的近似消息传递压缩感知恢复

图像隐含的低秩先验特性已被成功应用于去噪等图像恢复应用.考虑到自然图像具有的非平稳特性以及迭代重构中图像噪声强度的变化,提出了一种结合近似消息传递与自适应低秩去噪的图像压缩感知重构方法.根据迭代重构图像的噪声方差估计,自适应地调整分块图像的大小以及相似块组的规模,实现低秩去噪性能的有效提升,从而保证了迭代重构的收敛速度,并同时改善了重构图像的质量.大量实验结果表明:该方法在无噪和有噪观测环境下都具有较好的重构性能,且能够有效地保留图像的纹理细节信息.

基于伽马范数最小化的图像去噪算法

针对核范数有偏近似秩函数导致基于核范数最小化的传统去噪方法去噪性能较差的问题,基于低秩理论,提出一种基于伽马范数最小化的图像去噪算法。首先对噪声图像重叠分块,然后基于结构相似性指数自适应搜索与当前图像块最相似的若干非局部图像块以组成相似图像块矩阵,进而利用非凸伽马范数无偏近似矩阵秩函数构建低秩去噪模型,最后基于奇异值分解对所得低秩去噪优化问题求解,并将去噪图像块重组为去噪图像。仿真结果表明,与现有主流PID、NLM、BM3D、NNM、WNNM、DnCNN和FFDNet算法相比,所提算法可较显著地消除高斯噪声,且可较好地恢复原始图像细节。

基于非凸范数最小化图像去噪算法

为改善高斯噪声条件下图像去噪性能,基于低秩理论,提出基于伽马范数最小化的图像去噪算法。所提算法对噪声图像重叠分块,基于结构相似性指数自适应搜索与当前图像块若干最相似非局部图像块以组成相似图像块矩阵,进而利用非凸伽马范数无偏近似秩函数以构建低秩去噪模型,并基于凸优化理论求解所得低秩去噪优化问题,重组所得去噪图像块以获得最终去噪图像。与PID,NLM,BM3D和NNM等主流去噪算法相比,实验结果表明,所提算法可有效消除高斯噪声,且可较好地恢复原始图像细节。