基于低秩高阶张量逼近的图像视频恢复

图像视频恢复是计算机视觉中一项基本但关键的任务,近年来得到了广泛的研究。然而,现有的方法存在着不可避免的缺点:有些需要预定义秩,有些则无法处理高阶数据。为了克服这些缺点,本文利用图像视频数据通常具有的低秩性,采用低秩高阶张量逼近方法实现在混合噪音的环境下的彩色视频恢复。首先,本文建立了一个高阶张量代数框架。基于该框架,通过设计近端算子,提出了一种新的低秩高阶张量逼近(LRHA)方法,旨在从被高度污染的阶张量数据中恢复出潜在的低秩部分,从而完成图像视频恢复任务。设计了相应的算法,并且针对多项图像视频恢复任务的实验结果表明,LRHA方法在处理相应问题方面具有优越性。

光学相干层析成像的高阶散斑降噪方法

光学相干层析成像(Optical coherence tomography,OCT)图像经常受到散斑噪声的污染,而散斑噪声会降低临床检查的精确性。为了解决该问题,提出一个低秩张量逼近框架下的自适应高阶奇异值分解(Higherorder singular value decomposition,HOSVD)方法。首先,利用局部鲁棒统计滤波平滑噪声图像,以降低散斑噪声对非局部相似图像块抽取的影响;其次,利用Eckart-Young-Mirsky定理自适应地估计三阶张量的Tucker秩;最后,利用HOSVD分解噪声张量,并且利用截尾后的核张量构建潜在的干净图像。实验结果表明,本文所提出的方法能有效地去除OCT图像中的散斑噪声且能保持图像的细节结构。