Multichannel color image denoising based on multiple dictionaries learning
Multichannel color image denoising based on multiple dictionaries learning
复制标题
基于多词典学习的多通道彩色图像去噪
DOI：
10.1117/1.jei.28.2.023002
复制
发表时间：
2019-03
影响因子：
1.1
通讯作者：
Tao Ran
中科院分区：
文献类型：
--
作者：
Zhang Ying;Zhang Feng;Tao Ran
抽象的。基于字典学习的稀疏表示方法在图像去噪中受到了广泛的关注。然而，大多数基于字典学习的方法使用单个字典，这在稀疏表示能力方面具有限制。为了提高这种方法的性能，我们提出了一种基于多字典学习的多通道彩色图像去噪算法。与固定字典相比，多字典具有更强的表示能力。该算法首先使用高斯混合模型来模拟外部自然彩色图像数据集的通用补丁先验。然后，通过对每个高斯分量的协方差矩阵应用奇异值分解，用通用先验初始化多个正交字典。稀疏编码系数和多个字典被交替地更新，以更好地拟合期望的图像。考虑到RGB通道中噪声水平的差异，我们使用一个权重矩阵来调整不同通道对去噪结果的贡献。基于最大后验框架估计期望图像。大量的实验表明，我们提出的方法优于一些国家的最先进的去噪算法在大多数情况下。
Abstract. Dictionary learning for sparse representation has attracted much attention among researchers in image denoising. However, most dictionary learning-based methods use a single dictionary which has limitation in sparse representation ability. To improve the performance of this methodology, we propose a multichannel color image denoising algorithm based on multiple dictionary learning. Compared with a fixed dictionary, multiple dictionaries have more powerful representation ability. The algorithm first uses a Gaussian mixture model to model the generic patch prior of an external natural color image dataset. Then, the multiple orthogonal dictionaries are initialized with the generic prior by applying singular value decomposition to the covariance matrix of each Gaussian component. The sparse coding coefficients and the multiple dictionaries are alternately updated for better fitting the desired image. Considering the difference of the noise levels in RGB channels, we use a weight matrix to adjust the contributions of different channels for the denoised result. The desired image is estimated based on maximum a posteriori framework. The extensive experiments have demonstrated that our proposed method outperforms some state-of-the-art denoising algorithms in most cases.
登录
查看更多内容
DOI：
--
发表时间：
--
期刊：
--
影响因子：
--
作者：
通讯作者：
--
影响因子：
1.1
作者：
Shibin Xuan;Yulan Han
通讯作者：
Shibin Xuan;Yulan Han
图像恢复的基于组的稀疏表示
影响因子：
10.6
作者：
Zhang, Jian;Zhao, Debin;Gao, Wen
通讯作者：
Gao, Wen
影响因子：
1.1
作者：
Shaoping Xu;Xiaoxia Zeng;Yinnan Jiang;Yiling Tang
通讯作者：
Shaoping Xu;Xiaoxia Zeng;Yinnan Jiang;Yiling Tang
DOI：
10.1117/1.2804153
发表时间：
2007-10
期刊：
J. Electronic Imaging
影响因子：
--
作者：
I. Eom;Y. Kim;Do Hoon Lee
通讯作者：
I. Eom;Y. Kim;Do Hoon Lee