一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法技术

本发明专利技术提供一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，包括：通过检测图像的像素幅度来探测椒盐噪声位置信息；将椒盐噪声污染的彩色图像作为缺失数据的张量和椒盐噪声张量的总和；利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建；本发明专利技术提供的方法通过检测处理图像的像素幅度来探测噪声位置信息，引入基于模型驱动的并行矩阵分解低秩张量重建算法和基于数据驱动的FFDNet去噪网络，去噪效果更优越。去噪效果更优越。去噪效果更优越。

【技术实现步骤摘要】
一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法


[0001]本专利技术涉及图像去噪领域，特别是指一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法。

技术介绍

[0002]椒盐噪声是一种具有明显稀疏统计特性的噪声源。椒盐噪声中的“椒”噪声是指振幅为零的噪声点，通常由数据丢失引起。“盐”噪声是指具有冲击值的噪声点，通常由图像传输过程中的强冲击干扰引起。椒盐噪声去噪的目的是从退化的观测值中估计干净的图像。现有的椒盐去噪方法主要分为两类，即模型驱动方法和数据驱动方。虽然现有方法取得了良好的去噪性能，但存在以下两个主要限制。
[0003]1)在现有方法中，椒盐噪声的幅值(零或冲击值)通常被忽略。然而，该特征对于噪声定位很重要，也很易于识别。
[0004]2)现有的方法往往将彩色图像视为从RGB信道中提取的三个相互独立的矩阵，从而忽略了信道间信号的相似性。
[0005]现有的方案没有能够很好地解决上述两种限制。

技术实现思路

[0006]本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，首先通过检测处理图像的像素幅度来探测噪声位置信息，引入基于模型驱动的并行矩阵分解低秩张量重建算法和基于数据驱动的FFDNet去噪网络，去噪效果更优越。
[0007]本专利技术采用如下技术方案：
[0008]一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，包括：
[0009]通过检测图像的像素幅度来探测椒盐噪声位置信息；
[0010]将椒盐噪声污染的彩色图像作为缺失数据的张量和椒盐噪声张量的总和；
[0011]利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建。
[0012]具体地，利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建，具体包括模型：
[0013][0014]其中，μ是正则化参数，用于平衡低秩模型驱动和FFDnet去噪网络实现的正则化项；为数据驱动项，是重建的低秩张量，是观测张量，Ω是与观察到的条目相对应的索引集，是一个投影函数，将中的数据保持在Ω上，X
n
和
Y
n
分别表示TMac因子矩阵，R
(n)
为展开模式。
[0015]具体地，利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建，还包括基于模型驱动的并行矩阵分解低秩张量进行低秩张量重建，具体包括：
[0016][0017]其中是重建的低秩张量，是观测张量，Ω是与观察到的条目相对应的索引集，是一个投影函数，它将中的数据保持在Ω上；
[0018][0019]其中，X
n
和Y
n
分别表示TMac因子矩阵，R
(n)
为展开模式，展开的张量为
[0020]具体地，模型求解为：
[0021][0022]其中，是学习率，i表示迭代次数，n表示展开的模式序号；
[0023]这X
n
子问题和Y
n
子问题如下:
[0024][0025]J表示目标函数；
[0026]令和计算(5)的解为：
[0027][0028]其中，符号是Moore
‑
Penrose伪逆算子；
[0029]子问题如下：
[0030][0031]Frobenius范数是计算所有元素平方和的平方根；将定义为张量的展开，矩阵Frobenius范数与张量Frobenius范数相等；因此，得到子问题，如下所示；
[0032][0033]我们展开(8)式，然后合并同类项得：
[0034][0035]将等式(9)优化为：
[0036][0037]将等式(10)进行配方，然后化简如下：
[0038][0039]将和和的子问题被重写为：
[0040][0041]其中，是正则化项，通过FFDnet实现；然后，将(12)式进行标准化；最后，恢复
的彩色图像模型如下：
[0042][0043]其中Ω
c
为Ω的补集，FFDNet是数据驱动的去噪神经网络；σ是与椒盐噪声水平有关的降噪参数，它与与系统误差有关。
[0044]由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：
[0045]本专利技术提供一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，包括：通过检测图像的像素幅度来探测椒盐噪声位置信息；将椒盐噪声污染的彩色图像作为缺失数据的张量和椒盐噪声张量的总和；利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建；本专利技术提供的方法通过检测处理图像的像素幅度来探测噪声位置信息，引入基于模型驱动的并行矩阵分解低秩张量重建算法和基于数据驱动的FFDNet去噪网络，去噪效果更优越。
附图说明
[0046]图1为本专利技术实施例提供的模型示意图；
[0047]图2为本专利技术实施例提供的不同算法去噪效果对比图，其中.(a)原图；(b)噪声水平为0.1的椒盐噪声图；(c)TNN方法去噪；(d)TSF方法去噪；(e)IMF方法去噪；(f)SFT_Lp方法去噪；(g)TMac方法去噪；(h)TNN_DP3方法去噪；(i)本专利技术TMac_DP3方法去噪；
[0048]图3为本专利技术实施例提供的不同算法去噪效果对比图；其中.(a)原图；(b)噪声水平为0.5的椒盐噪声图；(c)TNN方法去噪；(d)TSF方法去噪；(e)IMF方法去噪；(f)SFT_Lp方法去噪；(g)TMac方法去噪；(h)TNN_DP3方法去噪；(i)本专利技术TMac_DP3方法去噪；
[0049]图4为本专利技术实施例提供的不同算法去噪效果对比图；其中.(a)原图；(b)噪声水平为0.9的椒盐噪声图；(c)TNN方法去噪；(d)TSF方法去噪；(e)IMF方法去噪；(f)SFT_Lp方法去噪；(g)TMac方法去噪；(h)TNN_DP3方法去噪；(i)本专利技术TMac_DP3方法去噪；
[0050]图5为本专利技术实施例提供的不同算法的PSNR(峰值信噪比)和SSIM(结构相似性)值的动态迭代曲线；其中，(a)噪声水平为0.1的PSNR值；(b)噪声水平为0.5的PSNR值；(c)噪声水平为0.9的PSNR值；(d)噪声水平为0.1的SSIM值；(e)噪声水平为0.5的SSIM值；(f)噪声水平为0.9的SSIM值；
[0051]图6为本专利技术实施例提供的不同算法去噪稳定效果对比图；
[0052]图7为本专利技术实施例提供的不同算法的参数敏感曲线图；其中图(a)为PSNR值，图(b)为SSIM值；
[0053]图8为本专利技术实施例提供的不同算法去噪灵敏效果对比图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，其特征在于，包括：通过检测图像的像素幅度来探测椒盐噪声位置信息；将椒盐噪声污染的彩色图像作为缺失数据的张量和椒盐噪声张量的总和；利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建。2.根据权利要求1所述的一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，其特征在于，利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建，具体包括模型：其中，μ是正则化参数，用于平衡低秩模型驱动和FFDnet去噪网络实现的正则化项；为数据驱动项，是重建的低秩张量，是观测张量，Ω是与观察到的条目相对应的索引集，是一个投影函数，将中的数据保持在Ω上，X
n
和Y
n
分别表示TMac因子矩阵，R
(n)
为展开模式。3.根据权利要求1所述的一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，其特征在于，利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建，还包括基于模型驱动的并行矩阵分解低秩张量进行低秩张量重建，具体包括：其中是重建的低秩张量，是观测张量，Ω是与观...

【专利技术属性】
技术研发人员：王灵芝，陈颖频，张俊，陈嵚崟，林静敏，
申请(专利权)人：厦门城市职业学院厦门开放大学，
类型：发明
国别省市：