摘要：针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 d B,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 d B,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。

摘要：针对目前大多图像去噪算法的性能依赖输入噪声水平参数的问题,为进一步提高去噪效果,提出一种改进的基于非局部相似和低秩模型的图像盲去噪方法。预先估计图像的全局噪声方差,在图像非局部相似和低秩模型的框架下,自适应地估计各图像块的局部噪声方差,确定各图像块奇异值阈值(SVT)的局部阈值参数,运用迭代规则完成去噪。为验证该方法的有效性,与3种目前较成熟的去噪算法进行仿真对比。仿真结果表明,对于噪声方差未知的图像,该方法的去噪效果在视觉、峰值信噪比(PSNR)和结构相似度(SSIM)的数据上更具优势,具有更好的自适应能力,更适合应用于实际图像去噪问题。

摘要：针对超分辨重建中过完备字典一方面需要庞大数据库来训练,另一方面利用高度冗余的过完备字典对图像进行稀疏编码,具有潜在的不稳定性和缺乏自适应表示图像块结构的问题,提出一种超分辨率算法。在不需要借助额外数据库的情况下,采用PCA(principal component analysis)迭代训练经过K-均值聚类的低分辨率图像块,生成具有自适应稀疏表示图像块能力的简单子字典,用于超分辨率重建,提高重建图像的质量。利用非局部相似性和迭代反投影对重建图像进行后处理,进一步提高重建图像的质量。实验结果表明,该算法重建得到的图像在主观视觉效果和客观评价上都优于现有的几种基于学习的超分辨率算法。