本征图像分解的稀疏表示彩色图像去噪算法

为解决传统彩色图像去噪算法容易出现细节模糊、伪色彩及去噪效果不佳等问题,文中提出了一种基于本征图像分解的稀疏表示彩色图像去噪算法。利用本征图像分解良好的色彩保持和细节恢复等优点,将含噪彩色图像分解成反映图像真实颜色特征的反射率部分和反映图像亮度特征的光照率部分。一方面,反射率部分仅含有部分孤立噪声点且是具有分段平滑特性的彩色图像,因此文中采用在去除彩色图像轻度污染方面表现良好的基于稀疏表示的彩色图像去噪算法对其进行处理。另一方面,光照率部分包含了主要噪声成分且是具有较强稀疏性的灰度图像,因此文中采用能够保持图像细节的非局部集中稀疏表示灰度图像去噪算法对其进行处理。为了有效地求解所提算法,文中结合正交匹配追踪法和软阈值法设计了一种新的数值解法。数值实验结果表明,新算法明显优于经典的彩色图像去噪算法。以256×256的Boat图像为例,在噪声方差等于20时,新算法的PSNR值比K-SVD算法和NCSR算法分别提高了1.7 dB和0.67 dB,SSIM值比K-SVD方法和NCSR算法分别提高了0.11和0.09。文中所提算法在提高彩色图像去噪效果的同时能够有效地保留图像细节,在视觉效果和客观评价指标等方面均优于传统的ROF算法、K-SVD算法和NCSR算法。

多传感器NCSR红外图像超分辨率算法

提出一种新的多传感器红外图像超分辨率算法。算法将一种非局部集中稀疏表示模型与红外图像的高频估计图像相结合:首先根据相位一致算法提取可见光图像和红外图像的边缘;然后将提取的图像边缘按照相关和非相关边缘分类,分类后依据可见光图像与红外图像的二次仿射变换关系模型,得出相关边缘红外图像块的高频估计;最后将高频估计与非局部集中稀疏表示模型的字典训练过程结合起来,得到新的正则化模型,由此模型重建高分辨率红外图像。实验结果证明本文算法在主观视觉效果和客观评价指标方面均优于传统算法。