基于低秩张量恢复的图像去噪方法

论文摘要

图像在产生或传输过程中总会受到各种噪声的干扰而导致其质量下降,影响后续图像处理工作,所以图像去噪是图像处理中的一个重要环节。近几年,随着压缩感知与稀疏表示的兴起,低秩恢复理论吸引了大量学者的研究兴趣,因此,基于低秩恢复理论的图像去噪已成为该领域的一个热门课题。本文在深入研究低秩-稀疏理论的基础上,分别建立了基于加权张量Schatten p范数的图像去噪模型以及基于加权张量Schatten p范数与张量l1范数的低秩-稀疏分解模型。本文的主要工作如下:1.指出基于矩阵低秩结构的去噪模型的局限性,利用自然图像的非局部相似性将相似图像块堆栈成三阶张量,建立基于加权张量Schatten p范数的最小化模型,运用增广的拉格朗日乘子和交替方向法求解模型中的优化问题并将其应用到图像高斯噪声的去除实验中。2.提出了一种基于加权张量Schatten p范数与张量l1范数的低秩-稀疏分解模型,利用自适应中值滤波器检测随机脉冲噪声的位置并滤波,将滤波后的图像分解为多个图像块并堆叠成三阶张量,建立张量模型,利用增广的拉格朗日乘子与交替方向法求解模型中的各个优化问题,获得相应的低秩张量,然后展开张量为矩阵形式,实现去噪。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 图像去噪的研究背景及意义
•   1.2 图像去噪的国内外研究现状
•   1.3 本文的研究内容及结构安排
• 第二章 图像去噪的相关理论
•   2.1 图像的相关概念
•   2.2 图像噪声的相关知识
•     2.2.1 图像噪声
•     2.2.2 图像噪声分类与噪声模型
•     2.2.3 常见的噪声模型
•   2.3 图像质量评价
•     2.3.1 主观评价方式
•     2.3.2 客观评价方式
• 第三章 低秩相关理论知识
•   3.1 相关基础概念
•   3.2 压缩传感、矩阵秩最小化和低秩矩阵恢复理论
•     3.2.1 压缩传感
•     3.2.2 矩阵秩最小化
•     3.2.3 低秩矩阵恢复
•   3.3 低秩矩阵恢复的重要优化算法
•     3.3.1 迭代阈值算法
•     3.3.2 加速近端梯度法
•     3.3.3 增广的拉格朗日乘子
• 第四章 基于加权张量Schatten p范数的去噪模型
•   4.1 核范数最小化模型
•   4.2 加权张量Schatten p范数最小化模型
•     4.2.1 模型建立
•     4.2.2 模型优化算法
•   4.3 基于加权张量Schatten p范数的图像去噪模型
•   4.4 算法验证与结果分析
•     4.4.1 参数设置
•     4.4.2 数据结果
•     4.4.3 视觉效果
• 1范数的低秩-稀疏分解模型'>第五章 基于加权张量Schatten p范数与张量l₁范数的低秩-稀疏分解模型
• 1范数的低秩-稀疏分解模型'>  5.1 基于加权张量Schatten p范数与张量l₁范数的低秩-稀疏分解模型
•     5.1.1 WTST1 模型的提出
•     5.1.2 WTST1 模型的优化求解
•   5.2 模型的应用
•     5.2.1 混合噪声
•     5.2.2 WTST1 混合噪声去除模型
•   5.3 实验结果与分析
•     5.3.1 数据结果
•     5.3.2 视觉效果
• 第六章 总结
• 参考文献
• 致谢
• 攻读硕士期间发表的学术论文

文章来源

类型: 硕士论文

作者: 严玉芳

导师: 张笑钦

关键词: 图像去噪,非局部相似性,加权张量范数,范数,张量范数

来源: 温州大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,计算机软件及计算机应用

单位: 温州大学

分类号: TP391.41;O183.2

总页数: 50

文件大小: 3164K

下载量: 96