Rician noise removal via weighted nuclear norm penalization
Rician noise removal via weighted nuclear norm penalization
复制标题
通过加权核范数惩罚消除莱斯噪声
DOI：
10.1016/j.acha.2020.12.005
复制
发表时间：
2021-07
影响因子：
2.5
通讯作者：
Yuru Zou
中科院分区：
文献类型：
--
作者：
Jian Lu;Jiapeng Tian;Qingtang Jiang;Xiaoxia Liu;Zhenwei Hu;Yuru Zou
莱斯噪声是磁共振成像 (MRI) 图像中自然出现的常见噪声。低秩矩阵近似方法已广泛应用于图像处理中，它利用了自然图像中块之间的非局部自相似性。加权核范数最小化方法作为一种低秩矩阵近似方法已被证明是一种有效的图像去噪方法。受此启发，我们在本文中提出了一种最大后验（MAP）模型，以加权核范数作为正则化约束来消除莱斯噪声。 MAP 数据保真度项具有 Lipschitz 连续梯度，并且可以有效地最小化加权核范数。我们提出了一种迭代加权核范数最小化算法（IWNNM）来求解所提出的非凸模型并分析我们算法的收敛性。计算结果表明，我们提出的方法在恢复被莱斯噪声损坏的图像方面很有前景。
Rician noise is a common noise that naturally appears in Magnetic Resonance Imaging (MRI) images. Low rank matrix approximation approaches have been widely used in image processing, which takes advantage of the non-local self-similarity between patches in a natural image. The weighted nuclear norm minimization method as a low rank matrix approximation approach has shown to be an effective approach for image denoising. Inspired by this, we propose in this paper a maximum a posteriori (MAP) model with the weighted nuclear norm as a regularization constraint to remove Rician noise. The MAP data fidelity term has a Lipschitz continuous gradient and the weighted nuclear norm can be efficiently minimized. We propose an iterative weighted nuclear norm minimization algorithm (IWNNM) to solve the proposed non-convex model and analyze the convergence of our algorithm. The computational results show that our proposed method is promising in restoring images corrupted with Rician noise.
登录
查看更多内容
影响因子：
5.4
作者：
Stephen J. Wright;R. Nowak;Mário A. T. Figueiredo
通讯作者：
Stephen J. Wright;R. Nowak;Mário A. T. Figueiredo
影响因子：
22.7
作者：
Candes, Emmanuel;Recht, Benjamin
通讯作者：
Recht, Benjamin
DOI：
10.1007/978-3-540-75759-7_42
发表时间：
2007-10
期刊：
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
影响因子：
--
作者：
Nicolas Wiest-Daesslé;S. Prima;P. Coupé;S. Morrissey;C. Barillot
通讯作者：
Nicolas Wiest-Daesslé;S. Prima;P. Coupé;S. Morrissey;C. Barillot
影响因子：
64.8
作者：
F. B.
通讯作者：
F. B.
DOI：
10.1007/s11228-004-7198-6
发表时间：
2005-09
期刊：
Set-Valued Analysis
影响因子：
--
作者：
A. Lewis;Hristo S. Sendov
通讯作者：
A. Lewis;Hristo S. Sendov