噪声先验自适应加权的稀疏表示混合去噪算法

J4 ›› 2015, Vol. 37 ›› Issue (10): 1917-1923.

噪声先验自适应加权的稀疏表示混合去噪算法

张建明，李沛，吴宏林，黄倩倩

(1.长沙理工大学综合交通运输大数据智能处理湖南省重点实验室，湖南长沙 410114；2.长沙理工大学计算机与通信工程学院，湖南长沙 410114)

收稿日期:2015-07-25 修回日期:2015-09-27 出版日期:2015-10-25 发布日期:2015-10-25
基金资助:
国家自然科学基金资助项目（61402053）；湖南省教育厅优秀青年基金资助项目(12B003)；湖南省交通厅科技资助项目(201334)；2015年湖南省研究生科研创新资助项目(CX2015B369)

A mixed denoising algorithm based on sparse
representation and noise distribution prior knowledge

ZHANG Jianming,LI Pei,WU Honglin,HUANG Qianqian

(1.Hunan Provincial Key Laboratory of Intelligent Processing of Big Data on Transportation,
Changsha University of Science and Technology,Changsha 410114;
2.School of Computer and Communication Engineering,
Changsha University of Science and Technology,Changsha 410114,China)

Received:2015-07-25 Revised:2015-09-27 Online:2015-10-25 Published:2015-10-25

摘要/Abstract

摘要：

提出了一种结合噪声分布先验知识的稀疏表示混合去噪算法。该算法通过自适应中值滤波器进行初始化来分析噪声分布先验，对稀疏编码中的原子进行自适应加权。然后以当前原子集的极值为基准调整选取阈值，对稀疏编码中的原子进行选择淘汰。本算法避免了传统混合去噪算法的两相检测策略，时间复杂度显著降低。实验表明本算法在峰值信噪比PSNR和去噪效率上都有明显优势。

关键词: 混合去噪, 稀疏表示, 自适应中值滤波, 原子加权

Abstract:

We propose a mixed denoising algorithm based on sparse representation and prior knowledge of noise distribution. The proposed algorithm utilizes the Adaptive Median Filter (AMF) to initialize and analyze the prior knowledge of noise distribution, and adaptively weight the sparse representation atom vector at the stage of sparse coding. Then, the selection threshold is adaptively adjusted by the extreme value of the current set of atoms so as to do selective elimination on atoms. Because of a avoidance of the traditional twophase mixed denoising strategy, the proposed algorithm gains much better PSNR and faster speed.

Key words: mixed denoise;sparse representation;adaptive median filter;weighted atoms

张建明，李沛，吴宏林，黄倩倩. 噪声先验自适应加权的稀疏表示混合去噪算法[J]. J4, 2015, 37(10): 1917-1923.

ZHANG Jianming,LI Pei,WU Honglin,HUANG Qianqian. A mixed denoising algorithm based on sparse
representation and noise distribution prior knowledge [J]. J4, 2015, 37(10): 1917-1923.

[1]	张贵仓, 王静, 苏金凤. 改进稀疏表示与积化能量和的多聚焦图像融合[J]. 计算机工程与科学, 2022, 44(01): 124-131.
[2]	何选森, 徐丽, 夏娟 . 具有相似性传播的K-均值欠定盲分离算法[J]. 计算机工程与科学, 2021, 43(10): 1880-1890.
[3]	张丽霞, 曾广平, 宣兆成. NSST域下SPCNN与SR结合的多源图像融合[J]. 计算机工程与科学, 2020, 42(11): 2042-2049.
[4]	李燕,章玥. 基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法[J]. 计算机工程与科学, 2018, 40(11): 2015-2022.
[5]	王威1,2，张佳娥1,2. 基于引导滤波和shearlet稀疏的遥感图像融合算法[J]. 计算机工程与科学, 2018, 40(08): 1453-1458.
[6]	王威1,2，张佳娥1,2. 基于引导滤波和shearlet稀疏的遥感图像融合算法[J]. 计算机工程与科学, 2018, 40(07): 1250-1255.
[7]	杨培1，高雷阜1，王江1，訾玲玲2. 基于稀疏表示与字典学习的彩色图像去噪算法[J]. 计算机工程与科学, 2018, 40(05): 842-848.
[8]	殷俊1,2，杨万扣3. 基于局部表示的分类方法及其人脸识别应用[J]. 计算机工程与科学, 2018, 40(03): 500-506.
[9]	张海燕1,张立毅1,2，孙云山1,2. 基于离散剪切波正则化的低剂量CT图像统计重建算法[J]. 计算机工程与科学, 2018, 40(01): 86-92.
[10]	刘作军，高尚兵. 基于结构化低秩表示和低秩投影的人脸识别算法[J]. 计算机工程与科学, 2018, 40(01): 108-115.
[11]	贾晋华，于洁潇，刘开华，赵宇. 导向矢量失配情况下基于稀疏表示的波达方向估计算法[J]. 计算机工程与科学, 2017, 39(11): 2016-2021.
[12]	李骥，王艳然，王威. 基于扩展字典稀疏表示分类的遥感目标识别[J]. 计算机工程与科学, 2017, 39(08): 1508-1512.
[13]	麦超，邹维宝. 稀疏受限玻尔兹曼机研究综述[J]. 计算机工程与科学, 2017, 39(07): 1379-1384.
[14]	袁奕珊，陈姝. 基于稀疏表示的可变形部件模型目标检测[J]. 计算机工程与科学, 2017, 39(05): 999-1004.
[15]	杨方方1，吴锡生1，顾标准2. 基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法[J]. 计算机工程与科学, 2017, 39(01): 131-137.