基于稀疏低秩矩阵的有噪图像修复方法研究-电子与通信工程专业论文.docxVIP

万方数据 万方数据 摘 要 稀疏低秩矩阵分解来源于压缩感知技术，目前应用在许多计算机视觉领域，如图 像处理、人脸识别、鲁棒图片对齐、低秩纹理结构、背景建模等。本文重点讨论稀疏 低秩矩阵分解模型的建立及求解过程，提出了一种新的稀疏低秩矩阵分解模型和基于 变量分裂的低秩填充的恢复模型，应用于图像修复中。主要工作如下： (1)分析了典型的稀疏低秩矩阵分解模型，并且指出了该模型现存在的不足之处， 即通过最小化矩阵核范数来获得低秩解，然而待恢复低秩矩阵相关性低的要求往往会 导致求解不稳定的情况，以及传统的低秩矩阵恢复模型中低秩稀疏条件的限制，只能 对稀疏分布的大误差进行处理。为此根据 Elastic net 的基本思想，提出了一种改进的 低秩去噪恢复模型，引入待恢复矩阵的 Frobenius 范数作为新正则项，与原有低秩矩 阵的核范数进行联合正则化求解，利用 Frobenius 范数控制待恢复矩阵的稳定性，核 范数控制待恢复矩阵的唯一性和稀疏性，达到有效去除噪声的目的，并且能够使相关 性强的图像恢复结果更加稳定。 (2)讨论了目前常用的几种求解稀疏低秩矩阵分解模型的算法，指出了算法中存在 的恢复时间长、差错率大等不足之处。为此，提出了变量分裂的交替增广拉格朗日乘 子法，即在保证原有低秩稀疏恢复的前提下，具有良好的去噪性能。为考察方法的稳 定性和去噪能力，选取了不同参数类型的加噪图像进行仿真，