- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第 35 卷第 1 期 电 子 与 信 息 学 报 Vol.35 No.1
2013 年 1 月 Journal of Electronics Information Technology Jan. 2013
基于非局部双边随机投影低秩逼近图像去噪算法
罗 亮*① 冯象初① 张选德①② 李小平①
①(西安电子科技大学理学院 西安 710071)
②(宁夏大学数学计算机学院 银川 750021)
摘 要:该文提出一种基于非局部双边随机投影的低秩逼近图像去噪新方法。首先,对每个图像块通过非局部搜索
寻找相似匹配块簇,然后对相似匹配块簇进行双边随机投影,用投影后的低秩结构恢复原图像。实验结果表明,所
提方法比奇异值分解方法有较低的计算复杂度,比单边随机投影方法有较小的重构误差。特别是和3维块匹配方法
相比,所提方法能保持相近的信噪比和较好的视觉质量。
关键词:图像去噪;非局部方法;随机投影;低秩逼近;奇异值分解
中图分类号:TP391 文献标识码: A 文章编号:1009-5896(2013)01-0099-07
DOI: 10.3724/SP.J.1146.2012.00819
An Image Denoising Method Based on Non-local Two-side
Random Projection and Low Rank Approximation
① ① ①② ①
Luo Liang Feng Xiang-chu Zhang Xuan-de Li Xiao-ping
① ,
(School of Science, Xidian university, Xi an 710071, China)
②
(School of Mathematics and Computer, Ningxia University, Yinchuan 750021, China)
Abstract: A novel image denoising method is proposed by using non-local approximation of low-rank based on
random projection. The cluster of similar patch for each pixel point is found by using methods of non-local
searching, and then compute low-rank approximation of matrix corresponding to the cluster of similar patches
using two-side random projection. Finally, the image noise is suppressed by using the Low rank structure. Results
show that the proposed method have the low computation cost. Comparing with one-side random projection
method, the proposed algorithm ensure lower reconstruction error, and comparing with the Block Method of
3-Dimension
文档评论(0)