基于稀疏低秩矩阵分解的图像去噪算法研究.docxVIP

基于稀疏低秩矩阵分解的图像去噪算法研究 图像去除噪声作为处理数字图像不可或缺的重要因素，其目标是减少图像中包含的噪声，提高图像质量，再现原始图像信息，并进行后续处理、分析和应用。图像噪声具有不可预测性,按噪声的分布特征(如概率密度函数)可划分为椒盐噪声、高斯噪声、均匀分布噪声、瑞利噪声、伽马噪声、指数分布噪声等类型,其中椒盐噪声和高斯噪声最为常见,是多数图像去噪算法所针对的目标。 传统的图像去噪算法主要分为空间域和变换域两类,其中均值滤波、维纳滤波 在图像去噪基础理论和模型构建方面,Mallat等 针对上述问题和实际应用需求,本文设计并实现了一种基于L 本文结构安排如下:第1节介绍了相关定义和图像结构化噪声平滑问题模型构建,第2节详细描述了图像结构化噪声平滑问题求解算法(L21NRMD),第3节对该算法进行了仿真验证,论文最后一节进行了工作总结。 1 算法设计及相关信息的先验 正则化技术被广泛应用于机器学习领域,它的基本思想是通过含有解的先验知识正则化项使解稳定。基于该技术衍生出了众多著名的学习算法,这些算法的设计一般基于如下两个出发点:(1)问题求解时通过减小矩阵求逆时的条件数处理不适定问题中数值解不稳定的情况;(2)模型构建时将特定问题相关的先验信息以正则化项的方式加入到目标函数中。基于正则化技术的基本思想,本文将图像结构化噪声平滑问题中的先验结构化噪声信息以矩阵L 为描述方便,首先引入如下数学定义: 定义1 矩阵奇异值分解(Singular Value Decomposition,SVD) 2 双线性噪声交替方向乘子法 显然,式(5)所示的优化问题是一个凸优化问题,因此存在全局最优解。然而,由于核范数和L 交替方向乘子法的实质是通过引入增广拉格朗日函数将约束优化问题转换为无约束优化问题,不妨设问题(5)对应的增广拉格朗日函数为: 其中W∈R 将式(6)代入式(7)后可得: 从式(8)容易看出,可以通过调节参数ρ的大小来控制高斯噪声项 ‖B+A-C‖ 由交替方向乘子法易知式(8)应按如下方式迭代求解: 该算法中的参数是平衡结构化噪声项和目标矩阵低秩性的变量,主要调节结构化噪声含量的大小,一般取值范围为(0,1)。由式(5)可知,结构化噪声比例越小λ取值应越大,反之亦然。参数ρ为惩罚系数,用于平衡λ‖A‖ 3 叉验证的方式取值 仿真实验在MATLAB平台上进行,参数采用交叉验证的方式取值。下面分别从主观视觉效果和客观评价标准两个方面来衡量和比较本文提出的L21NRMD算法与ADMSMD算法的图像去噪效果。 3.1 admsmd和l11nmd去噪算法结果对比 为了比较两个算法对结构化噪声的去除效果,在棋盘格图像和MRI图像上分别添加10% 的结构化噪声后,执行ADMSMD和L21NRMD去噪算法。算法执行前后的对比图像如图1和图2所示。 从实验结果可以看出,ADMSMD算法对结构化噪声几乎完全无法去除,而改进的L21NRMD算法却可以很好的抑制结构化噪声,同时保留绝大部分细节信息。 3.2 两组算法比较 峰值信噪比(PSNR)和差错率(ERR)是图像去噪算法常用的两个客观评价标准,定义如下: 其中A为原始图像,A 由于实际应用时,棋盘格这种高度自相似的重复结构图像相对特殊,因此本文仅针对MRI图像依次添加1%、5%、10%、15%、20%和25%的结构化噪声与椒盐噪声后,分别执行L21NRMD和ADMSMD两种算法各100 次,求取峰值信噪比(PSNR)和差错率(ERR)两个指标值的平均值,来完成对L21NRMD和ADMSMD两种算法的比较。 由图3和图4可见,对不同比例的结构化噪声去除,L21NRMD算法的性能要远优于ADMSMD算法。L21NRMD算法峰值信噪比的值基本维持在70dB之上,远高于ADMSMD算法,这说明L21NRMD算法恢复得到的图像质量更高。而在不同比例椒盐噪声的去除方面,虽然L21NRMD算法稍逊于ADMSMD算法,但仍有较好的性能,且随着噪声比例的增加,两种算法的性能指标逐渐趋于接近。 从图5和图6可以看出,在结构化噪声的去除方面,ADMSMD算法的差错率非常高,这与前面图2中去噪算法视觉效果的比较结果是相符的。而L21NRMD算法无论是在椒盐噪声还是结构化噪声的去除方面,差错率都很低,算法执行的效果较好,恢复图像质量较高。 从PSNR和ERR两个指标可以看出L21NRMD算法对结构化噪声的去除效果较好,解决了原有ADMSMD算法在去除结构化噪声方面的局限,提高了算法去噪性能,使其适用范围更为广泛,因而具有更高的应用价值。 4 图像结构化噪声平滑问题 论文提出了一种可有效去除结构化噪声的L21NRMD图像去噪算法,并对算法进行了实验验证。该算法利用交替方向乘子法求解核范数和L 其中 ①U=[u ②V