針對(duì)特定類(lèi)別圖像去噪算法存在部分區(qū)域紋理丟失以及相似塊搜索較為耗時(shí)的問(wèn)題,文中提出了新的基于網(wǎng)格搜索的特定類(lèi)別圖像去噪算法。使用SSIM在特定類(lèi)別數(shù)據(jù)集中選取與噪聲圖像相似的候選數(shù)據(jù)集;為加快相似塊的搜索速度,通過(guò)網(wǎng)格狀粗尺度搜索框遍歷候選圖像集,使用kNN算法尋找網(wǎng)格中與噪聲塊接近的候選塊;為尋找與噪聲塊更接近的候選塊,依據(jù)候選塊中心位置構(gòu)造細(xì)尺度搜索框,遍歷細(xì)尺度搜索框篩選候選塊與噪聲塊之間歐氏距離最接近的相似塊;結(jié)合相似塊與全局稀疏結(jié)構(gòu)正則化中的殘差分量來(lái)恢復(fù)噪聲圖像的潛影。實(shí)驗(yàn)結(jié)果表明,網(wǎng)格搜索策略能加快相似塊的選擇速度,使用殘差分量不僅能去除圖像噪聲,還能更好地保留圖像邊緣處的信息。 

【文章來(lái)源】：計(jì)算機(jī)科學(xué). 2020,47(11)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

原圖與XR處理的圖像

網(wǎng)格搜索策略

由于大部分真實(shí)噪聲與高斯白噪聲非常接近,本文將原始圖像加入高斯白噪聲。高斯白噪聲的標(biāo)準(zhǔn)差為σn,取值范圍為σn=30,50,70 。為了找到最佳參數(shù)E和T,需要先固定其他參數(shù)值,然后在人臉數(shù)據(jù)集中測(cè)試不同的高斯白噪聲標(biāo)準(zhǔn)差下的平均峰值信噪比(Peak Signal-to-noise Ratio,PSNR)的變化趨勢(shì)。因單張圖像具有偶然性,這里選取人臉數(shù)據(jù)集中所有樣本的PSNR平均值。其中,E的取值分別為32,64,256和512,T的取值分別為8,16,32和64。不同E和T取值下平均PSRN值的變化如圖3所示。從圖3(a)可以看出,當(dāng)E=64時(shí),平均PSNR值開(kāi)始趨于平緩;當(dāng)E增加時(shí),平均PSNR值增加得越來(lái)越緩慢。數(shù)據(jù)集中包含的圖像數(shù)量越多,去噪時(shí)遍歷的圖像就越多,為提高算法的運(yùn)行效率,這里將E取值為64。從圖3(b)可以看出,隨著T的增加,平均PSNR值不斷減少。這種現(xiàn)象的主要原因是:隨著相似塊數(shù)量的增加,相似塊之間的外觀變形可能會(huì)加劇,那么相似塊與噪聲塊的聚合將會(huì)導(dǎo)致圖像局部細(xì)節(jié)的丟失。因此,相似塊數(shù)量不能過(guò)高,這里取值為T(mén)=8。

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合NSCT和KPCA的高光譜遙感圖像去噪[J]. 吳一全,吳超.  遙感學(xué)報(bào). 2012(03)



本文編號(hào)：3071274