非局部群稀疏表示的图像去噪模型

针对图像的非局部稀疏表示忽略图像中结构相似信息的缺点,将群稀疏表示引入到图像的最优滤波中,提出了一种有效去除图像高斯噪声的非局部群稀疏表示模型。该模型首先选择图像非局部相似块构建相似矩阵,在群稀疏限制下对相似矩阵进行正交分解得到正交矩阵;在已知噪声服从高斯分布的情况下,再通过求得的正交矩阵结合贝叶斯最小均方误差准则实现对特征矩阵的最优估计;最后通过正交矩阵与特征矩阵重构去噪后的图像。实验对比证明,所提的非局部群稀疏表示的图像去噪模型在去除噪声的同时更好地保留了图像的结构信息,获得了更好的主客观评价指标,去噪的峰值信噪比提高1 dB以上。     

一种复合局部与非局部梯度的图像去噪变分模型

局部变分有效地增强图像的轮廓信息，但不可避免地模糊图像的细节并在平滑区域产生阶梯效应。非局部变分能有效重构图像的纹理信息，但同时会破坏图像的结构轮廓信息。考虑到局部与非局部变分的互补性，提出了一种基于图像局部梯度与非局部梯度的复合变分模型，并通过Bregman交替迭代极小化图像的局部梯度与非局部梯度的L1范数,使去噪后的图像在去除噪声的同时更好地保留图像的结构与细节信息。对比实验证明，提出的复合变分模型有效地利用了图像的局部变分与非局部变分的优点,在图像评价的主客观方面都表现出了更好的性能。