一种针对彩色图像随机值脉冲噪声的矢量滤波方法
图像处理中的图像去噪算法综述
图像处理中的图像去噪算法综述随着现代科技的发展，图像处理在各个领域得到了广泛应用。
然而，由于图像采集过程中受到的噪声干扰，导致图像质量下降，降低了后续处理和分析的准确性和可靠性。
因此，图像去噪算法的研究和应用成为图像处理的重要方向之一。
图像去噪算法的目标是从包含噪声的图像中恢复原始图像，以降低噪声对图像质量的影响。
在实际应用中，图像噪声的类型和分布往往是复杂多样的，因此需要选择适合不同场景的去噪算法。
以下将对几种常见的图像去噪算法进行综述。
1. 统计学方法统计学方法通过建立噪声的统计模型来进行图像去噪。
常用的统计学方法包括高斯滤波、中值滤波和均值滤波。
高斯滤波是一种线性滤波器，通过对图像进行平滑处理来减少噪声。
中值滤波则是通过取窗口内像素的中值来代替当前像素值，从而降低噪声的影响。
均值滤波是将像素周围邻域内像素的平均值作为当前像素的新值。
2. 基于小波变换的方法小波变换是一种将信号分解成多个频带的方法，可以对图像进行多尺度分析。
基于小波变换的图像去噪方法通过去除高频小波系数中的噪声信息来恢复原始图像。
常用的小波去噪算法有基于硬阈值法和软阈值法。
硬阈值法通过对小波系数进行阈值处理，将小于阈值的系数设为0，大于阈值的系数保留。
而软阈值法在硬阈值法的基础上引入了一个平滑因子，将小于阈值的系数降低到一个较小的值。
3. 基于局部统计的方法基于局部统计的方法利用图像局部区域的统计特性来去除噪声。
其中，非局部均值算法（NL-means）是一种广泛应用的图像去噪算法。
NL-means 算法通过从图像中寻找与当前像素相似的局部区域，然后根据这些相似区域的信息对当前像素进行去噪。
该算法的优点是对各种类型的噪声都有较好的去除效果，并且能够保持图像的细节信息。
4. 基于深度学习的方法近年来，深度学习在各个领域得到了广泛应用，包括图像去噪领域。
基于深度学习的图像去噪方法通过训练一个适应性的神经网络来学习图像噪声和图像的复杂关系，从而实现去噪效果。
强椒盐噪声彩色图像的改进矢量中值滤波算法
摘
要
去除彩色 图像噪声一直是 图像 预处理研究 的重要 内容 。传统 的矢 量中值滤 波是 一种有效 去除彩色 图像 椒盐
噪声 的方法 ， 但传统的矢量 中值滤波方法只适用于弱噪声的情况 ， 于强椒盐 噪声并不适 用 。许多改进 的矢量 中值 滤波被 对 提 出， 对强 椒盐噪声图像 效果并不好 。文章在传统的矢量 中值滤波的基础上 ， 但 提出了改进的矢量中值滤波算 法 ， 该算法可
ｒ ｓ ｌ ｅ ｎ ｔ ａ ｅ ｔ ａ ｈ ｅ ｈ ｄ ｈ ｓａ ｇ ｏ ｒ ｃ ｓ ｉ ｇ ｅ ｆｃ ｏ ０ ｔ ０ ｐ ｒ ｅ ｔｓ ｌ ａ ｄ ｐ ｐ ｅ ｏ ｓ ｍａ ｅ ｅ ｕ ｔ ｄ ｍｏ ｓ ｒ ｔ ｈ ｔｔ ｅｍ ｔ ｏ ａ ｏ ｄ ｐ ｏ ｅ ｓｎ ｆｅ ｔ ｆ ｒ １ Ｏ ８ ｅ ｃ ｎ ａ ｔ ｎ ｅ ｐ ｒ ｎ ｉｅ ｉ ｇ ． ｓ Ｋ ｙ Ｗ ｏ ｄ ｃ ｌ ｒ ｉ ｇ ，ｓ ｌ ａ ＆ｐ ｐ ｅ ｏ ｓ ，ｖ ｃ ｏ ｄ ａ ｉ ｅ ｉ ｇ ｄ ｐ ｉ ｅ ａｇ ｒｔ ｍ ｅ ｒｓ ｏ ｏ ｍａ ｅ ａ ｔ ｎ － ｅ ｐ ｒ ｎ ｉｅ ｅ ｔ ｒｍｅ ｉｎ ｆ ｔ ｒ ，ａ ａ ｔ ｌ ｏ ｉ ｌ ｎ ｖ ｈ Ｃｌｓ ｍ ｂ ｒ ＴＮ９ １ ７ ａ ｓ Ｎｕ ｅ １． ３
以有效去除高强度椒盐噪声 ， 不会产 生新 的颜 色 ， 很好地保 持 了图像边 缘和细 节 ， 而且具有算 法简单 ， 自适 应性 强的特点 。
经过实验表 明： 方法对 于强度 在 １ 该 Ｏ Ａ～８ 的椒盐噪声彩色图像具有 良好 的处理效果 。 ０ Ｏ 关键词 彩色 图像 ；椒盐 噪声 ； 矢量 中值滤波 ；自适 应算法
能分 辨几 十种 灰 度 层 次 ， 能 分 辨 几 千 种 颜 色 ， 却 所
去除红外图像中脉冲噪声的双边加权中值滤波
去除红外图像中脉冲噪声的双边加权中值滤波
顾冬娟
【期刊名称】《传感技术学报》
【年(卷),期】2024(37)3
【摘要】针对现有方法在去除红外图像的脉冲噪声时,未能有效保持图像的边缘细节和纹理结构,提出了基于统计检测的双边加权中值滤波算法。
算法根据脉冲噪声的取值和分布特征,用最小和最大像素值以及统计规律进行噪声检测;对检测出来的噪声像素,以多尺度的方式、自适应地用双边加权系数对邻域中的无噪像素和已经去噪处理的像素进行频次加权,然后取它们的中值作为当前噪声像素的估计值。
其中双边加权系数自适应于距离邻近度与灰度相似度。
实验结果表明,相对于部分现有方法,所提方法去噪所得的EPI和SSIM值更高,去噪图像的视觉效果更佳。
【总页数】7页(P492-498)
【作者】顾冬娟
【作者单位】江西机电职业技术学院教务处
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种有效去除图像中脉冲噪声的滤波算法
2.一种去除图像中脉冲噪声的滤波算法
3.利用几何结构检测去除图像中的随机值脉冲噪声
4.脉冲噪声污染图像中的自适应中值滤波器
5.一种新的去除红外图像疵点的加权平均算法
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进型的自适应基本矢量方向滤波器
。
ｅ ｅ ｔ ｃ ｒ ｉｇ ｏ ｈ ｈ ｍａ ｖ ｓ ａ ｐ ｒ ｅ ｔ ｎ， ｖ ｎ ｈ ｕ ｈ ｗ ｐ ｘ ｌ ｉ ａ ｉ ｔ ｒ ｇ ｉ ｄ ｗ ｈ ｖ ｔ ｅ ａ ｃ ｌｒ ｆ ｃ ． ｏ ｄ ｎ ｔ ｔ ｅ ｕ ｎ ｉｕ ｌ ｅ ｃ ｐ ｉ ｅ ｅ ｔ ｏ ｇ ｔ ｏ ｉｅ ｓ ｎ ｆ ｅ ｎ ｗ ｎ ｏ Ａｃ ｏ ｌｉ ａ ｅ ｈ ｓ ｍｅ ｏｏ ｖ ｌ ｅ， ｅ ｎ ｃｏ ｅ ｏ ｔ ｅ ｅ ｔａ ｉｅ ｓ ｏ ｌ ｈ ｖ ｉ ｇ ｒ ｉ ｆ ｅ ｃ ｏ ｈ ｅ ｔ ｌ ｉ ｅ ， ｎ ｔ ｅ ｔ ｅ ’ ｎ ｕ ｎ ｅ ａｕ ｔ ｏ ｅ ｌｓ ｒ ｔ ｈ ｃ ｎ ｒ ｌ ｐ ｘ ｌ ｈ ｕ ｄ ａ ｅ ｂ ｇ ｅ ｎ ｕ ｎ ｅ ｎ ｔ ｅ ｃ ｎ ｒ ｐ ｘ ｌ ａ ｄ ｈ ｏ ｈ ｒ Ｓ ｉ ｆ ｅ ｃ ｈ ｌ ａ ｌ
要 用 于消 除 彩 色 图像 中的脉 冲 噪 声 和 色调 异 常 的 噪 声 （ｅｔｒ ｗｔ ａ ｐｃｌｄｒｃ ｏｓ ． 它 没 有 考 虑 在 滤 波 器 窗 口 内 ｖｃ ｓ ｉ ｔ ｉａ ｉ ｔ ｎ ）但 ｏ ｈ ｙ ｅｉ
象素 之 间 的 空 间距 离对 滤 波 效 果 的 影 响 。 据人 类 视 觉 感 知 ． 一 个 滤 波 器 窗 口 中 ， 根 在 即使 二 个 象素 具 有 相 同的 颜 色值 ， 其
双加权Schatten-p范数最小化彩色图像去噪
Vol.43 No.4Dec. 2020第43卷第4期2020年］2月辽宁师范大学学报(自然科学版)Journal of Liaoning Normal University (Natural Science Edition)文章编号：1000-1735 (2020) 04-0433-08D01：10.11679/lsxblk2020040433双加权Schatten-p 范数最小化彩色图像去噪姜 伟1,杨天旭】，张长胜彳(1.辽宁师范大学数学学院，辽宁大连116029； 2.温州大学计算机与人工智能学院，浙江温州325035) 摘要：相对于灰度图像去噪，彩色图像去噪更难，这是当今研究热点之一.针对彩色图 像去噪问题，提出了一种双加权Schatten ”范数最小化的彩色图像去噪算法.该方法首 先对R,G,B 3个通道分别进行分块，并将分块矩阵连接起来以利用通道冗余，然后根据 各个通道内不同的噪声统计量引入加权矩阵，用来平衡数据保真度.利用加权Schatten-p 范数作为低秩惩罚项，构建一个带有等式约束的优化问题，利用交替乘子方向法进行求 解，每个迭代更新步骤都存在闭式解，确保最终结果的收敛性.实验结果表明，与最新去 噪算法对比，所提出的算法在相同条件下具有更优的性能.关键词：彩色图像去噪;Schatten-p 范数;低秩；交替乘子方向法中图分类号:TP391.41 文献标识码：A随着现代数字技术的高速发展，数字图像获取更加容易并得到了广泛的应用，但由于光照、传播等 各类因素的影响，图像通常会含有噪声.例如，在人脸识别系统中，往往假设是在理想的光照情况下，然 而，在诸如门禁安全系统、嫌疑人识别和安全监控系统等实际应用中，理想假设条件是不满足的.Moses 等B 在实验中表明，不同光照条件下拍摄的同一个人的人脸图像,在灰度上表现出来的差异远比在相 同光照条件下拍摄的不同人的人脸图像在灰度上表现出来的差异要来得大，这就造成了实际情况与数 学模型之间的偏差•数字图像的本质是信号，因此，在信息获取过程中信号的噪声也会同样发生在图像 获取中，这种噪声可能来自采样信道的高斯噪声炉勺.对大规模的带有噪声的数字图像进行有效的处 理，并充分挖掘数字图像的本质，已经成为学术界致力探索的一个新方向.数字图像主要包括灰度图像与彩色图像两大类，灰度图像去噪算法主要有加权核范数方法 (Weight nuclear norm minimization , WNNM)、加权 Schatten-/?范数方法(Weight Schatten -卫 norm minimization ,WSNM)⑻等•对于彩色图像去噪算法，彩色三维块匹配算法(Color block-matching and 3D filtering,CBM3D)C93是一种代表性的算法，它首先将RGB 图像转换到一个低维空间，然后在每个 通道分别用基准三维块匹配算法(Block-matching and 3D filtering ,BM3D)Ez ］进行去噪.Liu 等口门提出 了“噪声级函数”,用来评估并去除每个通道内的噪声•然而，单独处理每个通道要比将彩色通道联合起 来进行处理效果差很多，原因是忽略了各个通道的自相似性.文献口门提出了基于卷积神经网络(Con- volutional neural network,CNN)的快速去噪算法,将输入的图像重塑为4个子图像，并与噪声等级一 起输入CNN,但没有考虑到各个噪声通道的噪声等级不同，导致效果不尽如人意.随后，Xu 等口幻考虑 了图像的自相似性以及不同通道内的噪声统计量提出了多通道加权核范数最小化(Multi-channel收稿日期=2020-01-20基金项目：国家自然科学基金资助项目(61771229)作者简介:姜伟(1969-)，男，辽宁大连人，辽宁师范大学教授，博士.E-mail ：*****************434辽宁师范大学学报(自然科学版)第43卷weight nuclear norm minimization,MC-WNNM)算法，该算法利用图像非局部自相似块的低秩先验,并引入了加权矩阵,根据不同的噪声等级对各个通道进行均衡.然而，在某些情况下，核范数并不是低秩的最优凸逼近.文献［13］提出了三边加权稀疏编码方法,但在求解时会需要高的计算代价.为了解决彩色数字图像算法存在的问题，提出了一个新的真彩色图像去噪模型，即基于双加权Schatten-0范数RGB彩色图像去噪模型.由于Schatten-0范数相比较于核范数在处理低秩问题来说更具灵活，当0=1时,Schatten”范数即退化为核范数.1模型建立与求解1.1灰度图像的加权Schatten-p范数模型灰度图像的加权Schatten-/?范数模型被表示为min\\X~Y IH+A II X忆①.⑴Xmin{m»n}其中，II X II W,S/,=(21/p是矩阵X的加权Schatten-/)范数,W=［卯，s,・・・，吗］,妙是6(X)的权重心(X)是矩阵X的第i个奇异值，进一步有min-fm,n}H X||铁=工^tr(WA p)・(2)i目标函数(1)有封闭解⑴〕：X=t/S W(S)V T.(3)其中是Y的奇异值分解，且s w(•)是带有权重w的软阈值算子.加权Schatten-/,范数在灰度图像上展现出了极强的去噪性能，然而，如果直接将加权Schatten-p范数应用于彩色图像上，即分别在R,G,B3个信号通道上分别去噪，就会忽略每个通道中噪声等级不等情况，导致最后的结果不理想.所以提出一个双加权Schatten”范数最小化去噪模型用于彩色图像去噪. 1.2彩色图像的加权Schatten-p范数模型彩色图像去噪问题是从一个带噪声的图像几=花+施，恢复出一个去噪后的图像九，其中，c= {r,g,b},分别代表R,G,B3个信号通道，并且”，是在c通道内的噪声.采用块匹配算法⑷对带有噪声的彩色图像进行预处理.具体而言,给定一个带噪声的彩色图像，对每个通道提取出相同大小为P X pX3的局部块并将其展成一个向量，即y=訂G叹昭.其中，『r“g,坯G叹”分别对应R, G.B3个信号通道.对于每个局部块,在每个通道中通过在较大的搜索框内找到M个与之相似的块，包括局部块自身，把这M个相似块按提取顺序堆叠为一个带噪声的块矩阵Y=X+N e R唧xm.其中，X和N分别是去噪后的矩阵和带噪声矩阵.标准R,G,B空间的噪声可以被近似地模拟为加性高斯白噪声，但是在一般情况下，不同的通道内的噪声的方差是不同的.考虑在不同通道内有不同的噪声强度，引入一个加权矩阵去平衡R,G,B通道里的噪声.由此提出如下双加权Schatten-p范数最小化去噪模型：min||12(Y—X)||纟+IIXllS”.(4)X其中是权矩阵.1.3设置权重矩阵定义噪声矩阵块为丫=［町疋,灯］,其中，町,yj是r,g,b3个信号通道内的相似块矩阵.去噪后的矩阵块为x=［xf,x：,xf］,在这里,xj,x：,x］是自相似的，加权矩阵si可以在最大后验的框架下估计，即X=argmax In P(X|y,I2)=argmax{ln P(Y|X)+ln P(X112)}.(5)对数似然项In P(y|X)是噪声统计量，假设R,G,B通道内的噪声是独立且同分布〔词，满足高斯第4期姜伟等：双加权Schatten-p范数最小化彩色图像去噪435分布和标准差｛“,%｝，有P(y|X)=n(271(7?)-^exp||y c-X c h Y(6)ce<r,g,6J\he丿对于加权Schatten-/?范数,采用概率分布表达为P(X|W)8exp(—*||X||软sj.⑺由式(5)〜式(7)得到：X=argmin X当忆—X小+||x||融s”=argmin||£2(Y—X)||f+||X||$®.(8) X cE,g,6｝Oc X其中，00■12=0□0.(9)_00其中,I是单位矩阵.权重矩阵12是对角矩阵，由每个通道内的噪声标准差定义，每个通道内的噪声强度越强，在估计X时给予一个小的权重，使得在噪声强度越小的通道可以给出X的较大的贡献.如果各个通道内噪声强度相同的话，只需要简单地对各个通道分别去噪再聚合即可，此时权重矩阵退化为单位矩阵.1.4模型求解在加权Schatten-p范数模型中，当权重分配给奇异值时是非升序的，加权Schatten-p近端算子有一个最优且是闭式解.由于权重矩阵Q被分配给了X的行，这使得目标函数是不可分，使所提出的去噪模型比加权Schatten-p范数模型难解.用变量分裂方法〔迪去解决上述问题，通过辅助变量Z,可以转化为含可分的2个变量的等式约束最优化问题，即min||f2(y-X)H+||ZU,s(,s.t.X=Z.(10)X目标函数(10)在交替乘子方向法(Alternating direction method of multipliers,ADMM)框架下进行求解，其增广拉格朗日函数为£(X,Z,A,p)=||X2(y—X)|*+||Z||S”+〈A,X—Z〉+伶||x—Z|*.(11)其中,A是增广拉格朗日乘子并且p>0,目标函数(11)是一个具有3个未知变量的优化问题,采用固定其中2个,求解另一个的方法进行求解，具体如下：(1)固定Z和A,更新XX i+1=argmin||X2X)肚+仔||X-Z*+p^A k||L(12)X Li这是一个最小二乘问题，有一个封闭解，J.(13)X^+i=(/2丁£2十管卜力丫十管Z怡a(2)固定X和A,更新Z给定x屮+p^A k y即X k+1+p^A k=U k S k Vj,其中，diag(c?i,a2»**•“XW胁2XM.(⑷不失一般性，整个问题的全局最优解是Z k+1=U k E k Vl，其中，436辽宁师范大学学报(自然科学版)第43卷幼=['M丿托加XM.(15)求解佝6，…,兀)问题可通过广义软阈值算法(GST)m来求解.(3)固定X和Z,更新AA卄1十P/：(X/i+i—Z k+i).(16)(4)更新p kPk+i=p-^Pk•(17)交替更新步骤直到满足收敛条件或者达到预设迭代次数停止•收敛条件为：II x k+1-z k+1II f W Tol,||X k+1~X k||F<Tol并且||Z k+1~Z k||F<Tol,Tol是一个非常小的值.具体描述如算法1.算法1:MCWSNM基于ADMM法迭代更新过程输入:矩阵Y和W,“〉l,Tol>0,Ki；初始化：Xo=Z0=A q=O,po>O,T=FalseM=0；While(T=False),doa)迭代更新X k+i:X k+i=(X2T f2+^I_1)(12丁/2丫+驴A k j>b)通过求解如下问题迭代更新Z k+1:arg尸in伶||Z~（X屮）||1+||Z||爲”!c〉迭代更新A&+1:A^+i=Ak+p k（X^+i—Z^+i）；d）迭代更新pk+i:pk+i=H X s；e）k=怡+1；if（收敛条件满足或者k>K r）f）T=True;end ifend while输出：矩阵X和乙给定含噪声图像头，假设提取N个局部块y』(j=l,…，N)和它们的相似块，利用”个带噪声的块矩阵丫山=1,…，N)可以估计出干净的矩阵X‘G=1,・“，N),然后将矩阵X/中的块重新聚合，可以得到去噪后的图像具体求解过程如算法2所示.算法2：基于MCWSNM的彩色图像去噪算法输入：噪声图像y c，噪声级{a r ,a s ,a b },K2;初始化:X™=y c,y严=y c；for k=l；K2doa)设置=x c；b) 提取局部块yj=for each doc)搜索非局部相似块匕；d)对旳调用算法1得到X门end fore)聚合X，为£；end for输出：去噪图像左严2〉.第4期姜伟等：双加权Schatten-p范数最小化彩色图像去噪437 2实验结果与分析2.1实验参数设置为了评价所提出的算法在处理不同的图片去噪性能，选取了图1中的4幅大小为512X512X3彩色图片用来做对比实验.在3种不同的通道上添加不同级｛“,％,%｝=｛40,20,30｝与｛",%,%｝=｛65,55,50｝的高斯噪声，对每张图片的各个通道加入了不同的噪声.实验对比的算法包括:本文算法, MC-WNNM Cn］,CBM3D m.图1图像去噪的4个测试图像Fig.l The4test images for image denoising2.2实验结果及分析为了评估本文提出的算法的定量特性，通过比较峰值信噪比［例(PSNR),以及结构相似度弱］(SSIM)两种被广泛应用于评估去噪性能来评估算法的定量特性.图2表示在｛6,^,6｝=｛40,20,30｝噪声级下的实验结果对比，图3表示｛“，6，巾｝=｛65,55,50｝噪声级下的实验结果对比.表1显示了在｛6s心｝=｛40,20,30｝噪声级下平均定量指标对比结果，表2显示了在｛“，氏｝=｛65,55,50｝噪声级下平均定量指标对比结果.图2不同方法在4个图像上去噪声结果Fig.2Denoising results on the4images by different methods438辽宁师范大学学报（自然科学版）第43卷由图2中可以看出，在低等级噪声下各类去噪算法的主观去噪效果差别不大，但是在表1中可以明显看到，在峰值信噪比方面，本文算法相较于其他两种算法均有明显提高，每张图片的峰值信噪比都达到30dB.相对于其他两种算法，平均提升最高可达到2dB,SSIM也明显高于其他两种算法.图3不同方法在4个图像上去噪声结果Fig.3Denoising results on the4images by different methods在图3中，由于噪声级的增加，实验对比的效果更加明显.在主观视觉效果,MC-WNNM有很多未被完全去除的噪声斑点，在CBM3D中，去噪图像稍显模糊.本文所提出的双加权Schatten-p范数最小化在未被去除的噪声斑点的数量与图像的清晰度，都有更好的效果.表1不同方法去噪结果(PSNR,SSIM)实验结果对比Table1Denoising results(PSNR,SSIM)by different methodsA B c D算法名称PSNR SSIM PSNR SSIM PSNR SSIM PSNR SSIM 本文算送33.910.9231.260.8830.870.8829.590.82MC-WNNM33.890.9129.850.8027.980.7427.840.76CBM3D24.190.4630.450.852&040.7426,190.75表2显示在灿｝=｛65,55,50｝等级噪声下PSNR和SSIM值，本文所提出的算法PSNR明显高于另外两种对比算法.平均峰值信噪比达到27dB,相较于另两种算法最高增益可达10dB.在SSIM方面，本文所提出的算法总体上也高于MC-WNNM.CBM3D算法,并且最低提升0.01,在每张图片的不同算法平均增益可达0.1.第4期姜伟等：双加权Schatten-p范数最小化彩色图像去噪439表2不同方法去噪结果(PSNR,SSIM)实验结果对比Table2Denoising results(PSNR,SSIM)by different methodsA B C D算法名称PSNR SSIM PSNR SSIM PSNR SSIM PSNR SSIM 本文算法30.240.8027.660.7126.870.6625.590.63MC-WNNM27.650.7626.280.6823.980.5424.840.56CBM3D22.580.591&890.4719.040.5017.100.45从上述实验结果可以看到，相比于目前对于彩色图像去噪效果较好的MC-WNNM.CBM3D算法，本文所提出的算法在图像恢复问题上，可以达到更高的PSNR和SSIM值和更好的视觉效果.3结束语针对彩色图像去噪，提出了以Schatten-0范数作为低秩惩罚项的多通道双加权Schatten-p范数最小化算法,考虑联合处理不同通道噪声以及不同通道的噪声统计量，保证了去噪效果的优越性.在后续工作中，将对提升算法时间效率、引入新形式的对角加权矩阵以及扩展到高光谱图像分析领域进行研究.参考文献：[1]ADINI Y,MOSES Y,ULLMAN S.Face recognition:The problem of compensating for changes in illumination direction]J].Pattern Analysis&Machine Intelligence IEEE Transactions on,1997,19(7)-721-732.[2]KOST A DIN D>ALESSANDRO F,VLADIMIR K,et al.Image denoising by sparse3-D transform-domain collaborative filtering*IEEE Transactions on Image Processing,2007,16(8)：2080-2095.[J][3]WEN Zaiwen,YIN Wotao j ZHANG Yin.Solving a low-rank factorization model for matrix completion by a nonlinear successive o-ver-relaxation algorithm!!J].Mathematical Programming Computation,2012,4(4)-333-361.[4]JULIEN M,FRANCIS B,JEAN P,et al.Non-local sparse models for image restoration[C]//Proc of IEEE International Conference on Computer Vision,2009：2272-2279.[5]DANIEL Z,YAIR W*From learning models of natural image patches to whole image restoration[C]//Proc of IEEE InternationalConference on Computef Vision,2011；479-486.[6]DONG Weisheng,ZHANG Lei,SHI Guangming»et al.Nonlocally centralized sparse representation for image restoration]J].IEEETransactions on Image Processing,2013,22(4)：1620-1630.[7]GU Shuhang,XIE Qi,MENG Deyu,et al.Weighted nuclear norm minimization and its applications to low level vision]J].International Journal of Computer Vision,2017,121(2):183-208.[8]XIE Yuan,GU Shuhang,LIU Yan,et al.Weighted Schatten j>-norm minimization for image denoising and background subtraction*I EEE Transactions on Image Processing,2016,25(10)：4842-4857.[J][9]KOST A DIN D,ALESSANDRO F,VLADIMIR K,et al.Color image denoising via sparse3D collaborative filtering with groupingconstraint in luminance-chrominance space[C]//Proc of IEEE International Conference on.Image Processing,2007：313-316.*IEEE Transactions [10]LIU C,SZELISKI R,ZITNICK CL,et al.Automatic estimation and removal of noise from a single image]J]on Pattern Analysis and Machine Intelligence,2008,30(2)：299-314.[11]ZHANG Kai,ZUO Wangmeng>ZHANG Lei.FFDNet：Toward a fast and flexible solution for CNN based image denoisingEJU-*IEEE Transactions on Image Processing,2018,27(9)：4608-4622[12]XU Jun,ZHANG Lei,DAVID Z,et al.Multi-channel weighted nuclear norm minimization for real color image denoising]C]//Proc of International Conference on Computer Vision,2017.[13]XU Jun,ZHANG Lei,ZHANG D.A trilateral weighted sparse coding scheme for real-world image denoising[C]//Proc of EC-CV,2018,21-3&[14]NIE Feiping,HUANG Heng,CH R IES H.Low-rank matrix recovery via efficient Schatten少-norm minimization[C]//Proc of theAAAI Conf on.Artifical Intelligence,2012:655-661.440辽宁师范大学学报（自然科学版）第43卷[15]BRIAN L,GWANGGIL J,ERIC D.Least-squares luma-chroma demultiplexing algorithm for bayer demosaickingQJ].IEEETransactions on Image Processing,2011,20(7):1885-1894.[16]COURANT R.Variational methods for the solution of problems of equilibrium and vibrations]J].Bulletin of the American Mathematical Society,1943,49(1):1-23.[17]WANG Zhou»BO V IK A,SHEIKH H,et al.Image quality assessment：From error visibility to structural similarity[J]*IEEE Transactions on Image Processing,2004,13(4)•600-612.Double weighted Schatten-p norm minimization for real color image denoisingJIANG Wei1,YANG Tianxu1,ZHANG Changsheng2(1.School of Mathematics»Liaoning Normal University,Dalian116029,China；2.College of Computer Science and Artificial Intelligence,Wenzhou University,Wenzhou325035,China) Abstract:Compared with gray image denoising,color image denoising is more difficult,which is one o£the research hotspots.Aiming at the problem of color image denoising,a color image denoising algorithm based on double w&ghted Schatten-p norm minimization is proposed.Firstly,the R,G and B channels are divided into blocks?and the block matrix is connected to make use of channel redundancy.Then,according to the different noise statistics in each channel,the weighted matrix is introduced to balance the data ing the weighted Schatten-p norm as the low rank penalty term, an optimization problem with equality constraints is constructed.The alternating multiplier direction method is used to solve the problem.Each iteration update step has a closed form solution to ensure the convergence of the final result.Experimental results show that the proposed algorithm has better performance under the same conditions compared with the latest denoising algorithm.Key words:color image denoising；Schatten-/?norm；low rank；alternating direction method of multipliers。
计算机视觉技术中的图像去噪算法
计算机视觉技术中的图像去噪算法图像去噪是计算机视觉领域中一个重要的问题，因为在实际应用中，图像常常受到各种因素的影响而产生噪声。
图像噪声是指在图像采集、传输、存储等过程中产生的干扰，导致图像质量下降并影响后续图像处理和分析的效果。
为了改善图像质量并提高图像处理的准确性，研究者们提出了许多图像去噪算法。
本文将介绍计算机视觉技术中的一些常用图像去噪算法。
1. 统计滤波算法统计滤波算法是一种常用且简单的图像去噪方法。
这类算法通过统计图像像素值的分布情况来估计噪声的统计特性，进而对图像进行滤波处理。
常见的统计滤波算法包括均值滤波、中值滤波和高斯滤波等。
- 均值滤波：原始图像中的每个像素值被替换为其周围像素的平均值。
这种方法简单直观，但在去除高斯噪声的同时会模糊细节信息。
- 中值滤波：原始图像中的每个像素值被其周围像素中位数替代。
中值滤波在去除椒盐噪声等离散噪声方面表现良好，但对于连续性噪声效果可能较差。
- 高斯滤波：利用高斯滤波核对图像进行卷积操作，以抑制高频噪声。
不过，高斯滤波无法有效处理椒盐噪声和周期性噪声，且在去噪的同时会导致图像模糊。
2. 线性滤波算法线性滤波算法是一种基于卷积操作的图像去噪方法。
这类算法利用滤波核与图像进行卷积运算，对噪声进行抑制，同时保留图像的细节信息。
常见的线性滤波算法包括维纳滤波和卡尔曼滤波等。
- 维纳滤波：维纳滤波是一种适应性滤波算法，通过估计噪声与信号的功率谱来抑制噪声。
该方法能够有效地去除高斯噪声，但对于非高斯噪声效果较差。
- 卡尔曼滤波：卡尔曼滤波是一种基于状态估计的滤波方法，常用于实时图像去噪。
这种滤波算法能够自适应地估计噪声的统计特性，并根据噪声估计结果对图像进行滤波处理。
3. 非线性滤波算法非线性滤波算法是一种基于非线性函数的图像去噪方法。
这类算法利用非线性函数对图像进行映射，使得噪声像素的影响减小，同时保留图像的细节信息。
常见的非线性滤波算法包括小波软阈值滤波、几何平均滤波和中值双边滤波等。
一种新的脉冲串匹配滤波方法
一种新的脉冲串匹配滤波方法
孟飞;谢良贵;李饶辉
【期刊名称】《宇航计测技术》
【年(卷),期】2009(029)001
【摘要】分析脉冲串信号的两种匹配滤波器-梳状滤波器和窄带滤波器实现脉冲串匹配滤波的原理.提出一种新的脉冲串匹配滤波方法,即通过频谱取样实现脉冲串的匹配滤波.理论分析和仿真结果证明,该方法能很好的滤除信号中的噪声.
【总页数】4页(P34-36,54)
【作者】孟飞;谢良贵;李饶辉
【作者单位】北京无线电测量研究所,北京,100039;中国航天科工集团公司,北京,100037;北京无线电测量研究所,北京,100039
【正文语种】中文
【中图分类】TN957.51
【相关文献】
1.入侵检测中一种新的快速字符串匹配算法 [J], 宋华;戴一奇
2.一种基于模式最长前缀正文分割的串匹配新算法 [J], 庞善臣;王淑栋
3.一种针对彩色图像随机值脉冲噪声的矢量滤波方法 [J], 陈海虹
4.混有高斯和脉冲噪声图像的一种新滤波方法 [J], 谷亚明;刘泊;吴丽莹
5.脉冲噪声下一种自适应ASR稳健滤波方法 [J], 金艳;李亚刚;姬红兵
因版权原因，仅展示原文概要，查看原文内容请购买。
去除图像噪声方法
去除图像噪声方法去除图像噪声是图像处理领域中一个重要的任务，它可以提高图像的质量和细节，并改善后续图像分析和处理的准确性。
目前，有许多方法可以用来去除图像噪声。
下面我将介绍一些常见的方法。
1. 统计滤波器：统计滤波器是一种简单而有效的方法，它利用邻域像素值的统计信息来去除噪声。
常见的统计滤波器包括中值滤波器、均值滤波器和高斯滤波器。
中值滤波器通过取邻域像素的中值来去除噪声，适用于椒盐噪声和脉冲噪声；均值滤波器通过取邻域像素的平均值来去除噪声，适用于高斯噪声；高斯滤波器通过卷积操作将图像模糊，从而去除噪声。
2. 基于波let变换的方法：波let变换是一种多分辨率分析方法，可以将图像分解为不同尺度的频带。
通过对小波系数进行阈值处理，可以减小较小的波动，从而去除噪声。
常见的基于波let变换的方法包括小波阈值去噪和小波软阈值去噪。
小波阈值去噪通过选择适当的阈值来将小波系数除噪，适用于高斯噪声；小波软阈值去噪通过对小波系数进行软阈值处理，适用于椒盐噪声和脉冲噪声。
3. 基于偏微分方程的方法：偏微分方程方法是一种基于偏微分方程的图像去噪方法。
它通过定义偏微分方程来描述图像中的噪声和边缘特征，并通过迭代求解偏微分方程来去除噪声。
常见的基于偏微分方程的方法包括非线性扩散滤波和总变差去噪。
非线性扩散滤波通过改变图像的梯度来去除噪声，适用于高斯噪声；总变差去噪通过最小化图像的总变差来去除噪声，适用于椒盐噪声和脉冲噪声。
4. 基于深度学习的方法：深度学习是一种机器学习方法，近年来在图像去噪任务中取得了很大的成功。
通过构建深度卷积神经网络，并通过大量的图像数据对其进行训练，可以实现高效的图像去噪。
常见的基于深度学习的方法包括基于卷积自编码器的方法和基于生成对抗网络的方法。
卷积自编码器是一种将输入图像压缩到较小维度编码，再通过解码恢复图像的神经网络，它可以学习到图像的低层特征，从而去除噪声；生成对抗网络是一种通过博弈的方式训练生成器和判别器网络的方法，可以生成逼真的去噪图像。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘
要 ： 了去 除 彩 色 图像 随 机值 脉 冲噪 声 ， 出 了一 种 新 的 矢 量 滤 波 方 法 。 方 法 对 图 像 的 平 滑 区 域 和 边 缘 区 域 的 滤 波 工 作 为 提 该
分开进行 。 滑区域滤波方法将窗 口分成 多个 区域 ， 平 然后基于矢量 中值和平滑 区域 像素的特征检测 出平滑 区域的信号 ， 缘区域的 边 滤波是在 已知信号的基础上对非信号进行矢量中值滤波 。 仿真实验结果表 明， 该方法 能够有效地去 除彩色 图像 的随机值脉 冲噪声 ， 尤其 当噪声密度较高时 ， 噪效果明显优 于传统的矢量中值滤 波。 去
Ｂ ＮＤ 的开关 中值滤波器 ［ 。但 是这类 滤波器 由 于没 Ｄ ３ ］
噪声 密度 较高 时 ， 噪声 检测 的误 判率 就会很 高 ， 而造 从 成 图像 的恢复质 量下 降 。
基于 平滑 区域像 素 的分布 特点提 出了一种新 的彩
色 图像随 机值脉 冲 噪声 去 除方法 。根 据平 滑 区域 像素 的 特征 ， 在被分成 多个 区域 的滤 波窗 口内 ， 结合矢 量 中 值 滤波 的 方法 先找 出平 滑 区域 的信 号 ， 依据 相 似度 再 判 断输 入 像素 是否 噪声 ， 后 再 利用 已知 的信 号对 边 最
Ｒａ ｄ ｍ － ａ ｕｅ ｍ ｐｕ ｓ ｏ ｓ ｎ ｏ ｖ ｌ ｄＩ ｌｅ Ｎ ｉ ｅ
ＣＨＥＮ ａ— ｎｇ Ｈ ｉｈｏ （ ｃ ｏ ｌ０ Ｉ ｆ ｒ ｔ ｎＳｃｅ ｃ ｎ ｇ ｎ ｅｉｇ，Ｎｉｇ ｏＵｎｖ ｒｉｙ，Ｎｉ ｇ ｏ３ ５ １ ， ｈ ｎ ） Ｓ ｈ ｏ ｌ ｎ ｏ ｍａｉ ｉｎ ｅａ ｄＥｎ ｉｅ ｒｎ ， ｏ ｎ ｂ ｉｅｓｔ ｎ ｂ １ ２ １ Ｃ ｉａ
ｏ ｌｔｒ ｇ ｏ ｉｅｓ ｄ ｅ ｆ ｔｒｉ ｖ ｃｏ ｄａ ｉ ｅ ａ ｅ ｎ ｋ ｏ ｉｎ ｌ． Ｔｈ ｉ ｌｔｏ ｅ ｕｔｓ ｏ ｆｆａ —ｅ ｉｎ ｐｘ ｌ ，ｅ ｇ ｉ ｅ ｓ ｅ ｔｒ ｍｅ ｉｎ ｆ ｔｒｂ ｓ ｄ ｏ ｎ ｗｎ ｓｇ ａｓ ｌ ｌ ｅ ｓｍｕ ａｉｎ ｒ ｓ ｌ ｈ ｗ
一
种 针 对 彩 色 图 像 随 机 值 脉 冲 噪声 的 矢 量 滤 波 方 法
２ １ 年 ０１
文章 编 号 ：０ ３５ ５ （０ ２ ０—０ ２０ １ ０—８ ０ ２ １ ）２０ １—３
一
种 针对 彩色 图像 随机值 脉 冲噪声 的矢量 滤 波 方法
陈海虹
（ 宁波大学信息科学与工程学院 ， 江 浙 宁波 ３５ １ ） １ ２ １
Ａｂ ｔ ａ ｔ Ｔｏ ｒ ｍｏ ｅ ｒ ｎ ｏ ｖ ｌ ｅ ｍｐ ｌｅ ｎ ｉｅ ｏ ｏ ｏ ｍａ ｅ ｈ ｓ ｐ ｐ ｒ ｐ ｅ ｅ ｔ ｄ ａ ｎ ｗ ｅ ｔ ｒｆｌ ｒ ｓ ｒ ｃ ： ｅ ｖ ａ ｄ ｍ－ ａ ｕ ｄ ｉ ｕ ｓ ｏ ｓ ｆｃ ｌ ｒｉ ｇ ，ｔ ｉ ａ ｅ ｒ ｓ ｎ ｅ ｅ ｖ ｃ ｏ ｉ ｅ ． ｔ
Ｔｈ ｓｍｅ ｈ ｄ ｒｍｏ ｅｆａ —ｅ ｉｎ ａ ｄ ｅ ｇ ｓｎ ｉｅｒ ｓ ｅ ｔｖ ｌ ｉ ｔ ｏ ｅ ｖ ｌｔｒｇｏ ｎ ｄ ｅ ｏｓ ｅ ｐ ｃｉｅｙ，ｔ ｅ ｆ ｔｒｗｉｄ ｗ ｓｄｖｄ ｄ ｉｔ ｅ ｉｎ ｙ ｆａ — ｈ ｉ ｅ ｎ ｏ ｉ ｉｉｅ ｎ ｏ ｒ ｇｏ ｓｂ ｌｔ ｌ
Ｋｅ ｒ ｓ ｃ ｌ ｒｉ ｇ ，ｒ ｎ ｏ ｖ ｌ ｅ ｍｐ ｌｅ ｎ ｉｅ ｅ ｔ ｒ ｉ ｅ ，ｄ ｎ ｉｅ ｙ ｗｏ ｄ ￣ｏ ｏ ｍａ ｅ ａ ｄ ｍ－ ａｕ ｄ ｉ ｕ ｓ ｏ ｓ ，ｖ ｃ ｏ ，ｆ ｔ ｒ ｅ ｏ ｓ ｌ
彩 色 图像 的应 用越 来越 广 泛 ， 是 它 的处理 技术 但 比灰 度 图像 更复杂 ， 相关 研究 也远远 少于灰 度图像 ， 尤 其是 对 随机 值脉 冲噪声 的研 究 更少 ， 以去 除彩 色 图 所 像 随机值 脉冲噪声具 有重要 的研 究 意义 。 彩 色 图像 滤 波可 以采用 标 量 滤波 器 和矢 量 滤 波 器 。标 量 滤 波 器 有 自适 应 中 心 加 权 中 值 滤 波 （ Ｗ Ｍ）¨ 方 向加 权 中值 滤 波 器 （ ＷＭ ）２ 基 于 ＡＣ ｃ， Ｄ ［， ］
关键词 ： 彩色 图像 ， 机 值 脉 冲噪 声 ， 量 ， 波 ， 噪 随 矢 滤 去 中 围分 类 号 ； Ｐ ９ ． １ Ｔ ３ １４ 文献标识码 ： Ａ
Ａ ｃ ｏ ｌｅ ｉ ｅ ｈ ｄ Ａｉ ｅ ｔＣｏ ｏ ｍ ａ ｅ Ｖｅ ｔ ｒ Ｆｉｔ ｒｎｇ Ｍ ｔ ｏ ｍ ｄ ａ ｌ ｒ Ｉ ｇ
ｒ ｇ ｏ ｉ ｅ ，ｔ ｅ ｌ ｔｒ ｇ ｏ ｉ ｅ ｅ ｅ ｔ ｌ ｔ ｒ ｇｏ ｉ ｎ ｌ ａ ｅ ｎ ｖ ｃ ｏ ｄ ａ ｉ ｅ ｎ ｈ ｒ ｃ ｅ ｉｔ ｓ ｅ ｉ ｎ ｆ ｔ ｒ ｈ ｎ ｆａ － ｅ ｉ ｎ ｆ ｔ ｒｄ ｔ ｃ ｓ ｆ － ｅ ｉ ｎ ｓｇ ａ ｓｂ ｓ ｄ ｏ ｅ ｔ ｒ ｍｅ ｉ ｎ ｆｌ ｒ ａ ｄ ｃ ａ ａ ｔ ｒｓ ｉ ｌ ｌ ａ ｔ ｃ
ｔ ａ ，ｔ ｉ ｍｅ ｈ ｄ ｃ ｎ ｒ ｍｏ ｅ ｒ ｎ ｏ — ａ ｕ ｄ ｉ ｕ ｓ ｏ ｓ ｆ ｃ ｌ ｒ ｉ ａ ｅ ｅ ｆｃｅ ｔ ｈ ｔ ｈｓ ｔ ｏ ａ ｅ ｖ ａ ｄ ｍ ｖ ｌ ｅ ｍｐ ｌ ｅ ｎ ｉｅ ｏ ｏ ｏ ｍ ｇ ｆｉ ｉｎ ｌ ｙ，ｗｈ ｎ ｔ ｅ ｉ ａ ｅ ｒ ｅ ｈ ｍ ｇ ｓ ａ ｅ
ｈ ｇ ｌ ｏ ｒ ｐｅ ｙｉ ｕｓ ｏｓ ，ｔ ｉ ｔ ｏ ｉｅ ｕ ｅ ｉｒｐ ｒｏ ｍａ ｃ ｏ ｉｈ ｙ ｃ ｒｕ ｔｄｂ ｍｐ ｌｅｎ ｉｅ ｈ ｓｍｅ ｈ ｄ ｇｖ ｓｓ ｐ ｒ ｅ ｆ ｒ ｎ ｅｃ ｍｐ ｒ ｄ ｗｉ ｅ ｔ ｒｍ ｅ ｉｎｆｌ ｒ ｏ ａｅ ｔ ｖ ｃｏ ｄ ａ ｉ ｅ ． ｈ ｔ