-
-
公开(公告)号：CN106169180A
公开(公告)日：2016-11-30
申请号：CN201610548312.5
申请日：2016-07-13
Applicant: 桂林电子科技大学
IPC: G06T5/00
CPC classification number: G06T5/002 , G06T2207/20081
Abstract: 本发明公开了一种基于组的非局部稀疏表示加性噪声去除方法，具体步骤包括：S1：在标准图像库中获得自然图像，并对图像进行图像分块并用高斯混合模型训练字典；S2：对每个图像进行加噪声处理，利用基于组的稀疏表示和非局部稀疏表示的方法得到去除噪声模型；S3：将含噪图像分成有重叠的小块，为每个图像块进行非局部相似匹配，找到其具有相同结构类型的相似图像块，把相似度最高的一些块放到一个组中；S4：对于分好的每个组，先对每个组进行奇异值分解，然后对特征值进行阈值处理，得到每个组的估计值；S5：利用预先训练的字典求出估计组在字典中的稀疏编码；S6：利用软阈值方法求解模型；S7：得到去噪图像。
-
Patent Agency Ranking
-
公开(公告)号：CN108399608A
公开(公告)日：2018-08-14
申请号：CN201810172326.0
申请日：2018-03-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量字典及全变分的高维图像去噪方法，在高维图像处理研究的基础上，将张量字典学习结合全变分正则项，提出一种张量字典学习结合TV正则项的高维图像去噪模型，然后用交替迭代方法求解模型，得到迭代更新后重建的MSI图像。本发明的优点是将高维图像看成一个张量整体处理，不会损失图像的立体结构信息，同时也考虑了各波段之间的相关性，并且张量字典学习的方式提高了算法的精确度；在不失高维图像空间结构的前提下，利用高阶TV正则项，很好地保存了较完善的边缘信息，取得良好的重建效果。实验结果在主观视觉和客观评价指标两方面均取得较好的效果，能够保留较多的纹理信息和轮廓信息。
-
-
-
公开(公告)号：CN108399608B
公开(公告)日：2021-10-15
申请号：CN201810172326.0
申请日：2018-03-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量字典及全变分的高维图像去噪方法，在高维图像处理研究的基础上，将张量字典学习结合全变分正则项，提出一种张量字典学习结合TV正则项的高维图像去噪模型，然后用交替迭代方法求解模型，得到迭代更新后重建的MSI图像。本发明的优点是将高维图像看成一个张量整体处理，不会损失图像的立体结构信息，同时也考虑了各波段之间的相关性，并且张量字典学习的方式提高了算法的精确度；在不失高维图像空间结构的前提下，利用高阶TV正则项，很好地保存了较完善的边缘信息，取得良好的重建效果。实验结果在主观视觉和客观评价指标两方面均取得较好的效果，能够保留较多的纹理信息和轮廓信息。
-
-
-
-
-
-
Search Results
7
records
(took 0.033 seconds)
