基于低秩矩阵分解的非局部稀疏模型图像去噪方法分析-analysis of denoising method for non-local sparse model images based on low rank matrix decomposition.docxVIP

摘要I摘要近年来，基于图像的自相似性和低秩矩阵分解模型的去噪方法逐渐成为图像处理领域的研究热点。图像的自相似性说明图像中存在着很多重复的结构，可以通过非局部算法查找具有相似结构的相似块来实现。实际问题中，很多实际噪声都可以近似为加性高斯噪声，故可以将图像块矩阵分解成一个低秩矩阵和高斯白噪声矩阵，利用矩阵的秩来约束相似图像块的结构性，即起到了一个非局部结构性稀疏约束。将图像块合理的排列，然后进行恰当的矩阵分解，实质就是找到一个合理的空间，将含噪数据投影到该空间后，能够很方便地将图像信息和噪声信息分割开来。因此本文针对含噪图像找到的大量相似块组成的相似块矩阵，将相似矩阵进行低秩矩阵分解，设计自适应的奇异值收缩阈值，迭代更新自适应的基，最终获得一个比较好的去噪效果，本文工作主要包含以下三个方面：（1）针对奇异值硬阈值带来信息丢失严重的问题，提出了基于维纳滤波的非局部低秩去噪算法。由于图像的自相似性，相似的图像块组成的相似块矩阵的结构信息可以利用矩阵的秩进行描述，这样对含噪矩阵进行低秩矩阵分解就可以达到去噪的效果。在进行低秩矩阵分解的过程中，结合维纳滤波的思想，设计自适应的奇异值阈值，对比实验结果表明，该方法不仅能够有效地平滑噪声，同时兼顾保留图像的结构纹理信息。（2）任何算法对图像去噪后都会残留着一些信息在方法噪声中，因此利用低秩去噪结果，提出了一种基于方法噪声滤波的非局部图像去噪方法。该方法以基于维纳滤波的非局部低秩去噪的结果进一步作为先验信息，对方法噪声进行两次滤波，将丢失的信息，特别是一些结构纹理、边缘细节信息从方法噪声中提取出来。从提取的差异图中，可以清晰看到找回的纹理信息，对比试验结果表明，本方法在峰值信噪比和结构性的指标上都得到了一定的提高。（3）提出了一种基于三维图像块矩阵进行低秩矩阵分解的非局部去噪方法。该方法利用高阶奇异值分解的优势结合图像块自身相似性的特点，有效的找到了一个合理的空间，通过将含噪图像块三维矩阵投影到该空间后，对投影的数据进行统计分析后同时结合高阶奇异值分解的特性，设计了一个基于能量的分层自适应阈值，有效地将图像信息和噪声信息分割开。对比实验结果表明，该方法不仅在平滑区有很好的去噪结果，同时对于结构纹理信息的保持也非常可观。本论得到教育部长江学者和创新团队支持计划（IRT0645），高等学校创新引智计划（111 计划）（B07048）以及中央高校基本科研业务费（No.K50510020023）的资助。关键词：稀疏表示低秩矩阵分解奇异值阈值方法噪声高阶奇异值分解AbstractIIIAbstractInrecentyears,denoisingmethodbasedonimageself-similarityandlow-rankmatrixdecompositionmodelhasbecomeahottopicintheimageprocessingfield.Imageself-similarityindicatesthattherearemanyrepetitivestructuresinimages,whichcanberealizedbysearchingsimilarimageblocksthroughnon-localsearchalgorithm.ManyrealnoisescanbeapproximatelyconsideredasGausswhitenoises,sotheimageblockmatrixcanbedecomposeintoalowrankmatrixandawhitenoisematrix.Wecanusetherankofthematrixtodescribethestructuralsimilarityofsimilarimagepatches,whichactsasastructuredsparseconstrain.Aftervectoringandorderingthesimilarimagepatches,makingappropriatematrixfactorizationisessentiallyequivalenttofindareasonablespacewhichthenoisydatacanprojectinto.Itcanbeeasilyseparatedtheimageinformationfromthenoiseinformation.Therefore,accordingtothesimilaritymatrixcomposedofsimilarpatchesfoundfromnoisyimage,thisarticledecomposedthesimilaritymatrixintolowrankmatrixandno