基于低秩模型和残差模型的图像降噪

摘要

现有基于组稀疏表示的图像恢复方法大多利用非局部自相似先验特性，相似的小块聚类成组，对每组系数施加稀疏度，从而有效保留图像纹理信息。然而，这些方法只对组中每个单独的块施加了简单稀疏性，而忽略了其他有益的图像属性。基于此，提出了一种基于低秩模型和残差模型的图像去噪算法，不仅利用了每组相似块的稀疏性和低秩性，还利用残差学习方法来自动估计图像块的真实稀疏表示。实验结果表明所提算法充分考虑了块之间的关系，将块的相关性和特异性结合，有效实现了图像去噪，从而得到高质量的恢复图像。同时，实验还表明所提算法的峰值信噪比平均增益比块匹配三维协同滤波（Block-Matching and 3D Filtering,BM3D）算法提高0.34 dB，比非局部集中稀疏表示（Non-Local Centralized Sparse Representation, NCSR）提高0.48 dB，比低秩正则联合稀疏（Low-Rank Regularized Joint Sparsity, LRJS）提高0.2 dB，比低秩引导的组稀疏表示（Low-Rankness Guided Group Sparse Representation, LGSR）和GSR＿SRLR提高0.04 dB，且平均结构相似性值达到次高，足以证明其优于许多流行或先进的去噪算法。

关键词

图像去噪 / 稀疏表示 / 非局部自相似 / 交替最小化