基于深度多尺度卷积稀疏编码的图像去噪算法

针对图像去噪深度网络缺乏可解释性的问题,利用深度展开思想,提出了一种基于多尺度卷积稀疏编码的深度去噪网络(MSCSC-Net)。首先利用多尺度卷积字典,构建了多尺度卷积稀疏编码模型,能有效地刻画图像中的多尺度结构特征,然后将多尺度卷积稀疏编码模型的传统迭代优化解展开为深度神经网络架构,即MSCSC-Net,其中网络的每层对应优化解的每次迭代。因此,提出的深度网络中参数可以通过优化模型来准确定义,提高了网络的可解释性。此外,为了更加有效地保留原始图像中的结构信息,MSCSC-Net采用了一种改进的残差学习思想,将输入噪声图像与上一层的中间去噪结果进行加权,并作为下一层的输入图像,以进一步提高网络的去噪效果。在公开数据集上的实验结果表明,与现有典型的基于深度学习去噪算法相比,MSCSC-Net具有一定的竞争力。特别地,在CBSD68数据集上,噪声等级为75时,MSCSC-Net的平均PSNR指标和SSIM指标比FFDNet分别提高了0.77%和2.2%。

基于稀疏编码和矩阵分解的视频去雪算法

视频中的雪花会降低视频图像的质量,影响计算机对视频中目标自动检测、跟踪和识别等操作。视频中雪花去除是一项具有挑战性的任务,现存的算法除雪方法效果不佳。根据不同的空间特征,将一个视频中的雪花分为近景雪花和远景雪花。首先,利用低秩矩阵分解提取视频的背景信息。然后,采用多尺度卷积稀疏编码对远景雪花进行检测。利用马尔可夫随机场对运动物体进行建模,之后使用连通域阈值去除被判断为运动物体的雪花。实验结果表明,提出的算法有效地去除了视频中的近景雪花和远景雪花,同时保留了相关的背景和运动物体的信息。

联合形态学滤波和卷积稀疏编码的图像去雨

目的图像去雨技术是对雨天拍摄图像中雨纹信息进行检测和去除,恢复目标场景的细节信息,从而获得清晰的无雨图像。针对现有方法对雨纹信息检测不完全、去除不彻底的问题,提出一种联合自适应形态学滤波和多尺度卷积稀疏编码(multi-scale convolution sparse coding,MS-CSC)的单幅图像去雨方法。方法考虑雨纹信息的形状结构特点,构造一种自适应形态学滤波器来滤除有雨图像中的雨纹信息,获得包含图像自身纹理的低频成分;利用全变分模型正则化方法来增强低频成分的纹理信息,并利用有雨图像减去低频成分获得包含雨纹信息的高频成分;针对高频成分,根据雨纹的方向性提出一种基于方向梯度正则化的MS-CSC方法来重构高频成分,并通过迭代求解获得包含精确雨纹的高频成分,即雨层;利用有雨图像减去雨层得到最终的去雨图像。结果为验证本文方法的有效性,与一些主流的去雨方法进行实验比较。实验结果表明,本文方法在模拟数据集上的平均峰值信噪比(peak signal-to-noise ratio,PSNR)和平均结构相似度(structural similarity,SSIM)指标分别提高了0.95和0.0052,能得到较好的主观视觉效果和客观评价,特别是在真实数据集上具有明显优势。结论本文方法可有效去除雨纹,同时可保留更多的原始图像纹理信息,经证明是一种有效的去雨算法。