基于压缩感知的水下图像去噪
一种基于压缩感知的图像去噪方法
琐， 所以运算量大而复杂 ； 空间域去噪法的邻域 容易产生模糊 ， 法等由于是直接在图像上处理 ， 所以 精 度 不 高 ． 本文所采用的方法在运算量与 精度方面结合的较好 ， 是一种新的尝试 ． 如果可 则可以得到更 以研 究 出 更 为 精 确 的 重 构 算 法 ， 好的去噪效果 ． 通过实验表 明 ， 本文所采用的去噪方法具 有可操作性和可行性 ． 压缩感知是 门 新 兴 技 术 ， 在图像去噪方面 在算法设计方面 ， 我们力求 有广泛的应用前景 ． 研究出更好的算法来达到更好的去噪效果 ．
－ ｊ ２
Ｒ
－ ｊ
２
－ ｊ ｘ， ２ ｘ－ Ψ（ ｆ（ ｙ）
（ ） ６
ｋ， ２ ｙ －ｎ） ｄ ｘ ｄ ｙ 然后 ， 通过滤波器可以得到二维正交小波变换
的快速算法 — Ｍ 本文所采用的就是 ａ ｌ ｌ ａ ｔ算 法 ， 这种变换方法 ．
３ ＯＭＰ 算法
） 是正 ＯＭＰ（ Ｏ ｒ ｔ ｈ ｏ ｏ ｎ ａ ｌ Ｍ ａ ｔ ｃ ｈ ｉ ｎ Ｐ ｕ ｒ ｓ ｕ ｉ ｔ ｇ ｇ ［ ７］ ， 交匹配追踪算法 其为一个正交投影 ． 将所构 造原子库中原 子 利 用 Ｇ ｒ ａ ｍ－ Ｓ ｃ ｈ ｍ ｉ ｄ ｔ正 交 化 方 法进 行 正 交 化 处 理 ， 再将信号在这些正交原子 构成的空间上投影 ， 然后进行分解 ， 通过多次迭 代逼近找到全局的最优解 ． 其算法流程如下 ： ） ： 对于 （ 要找 １ Ｐ０） ｍ ｉ ｎ ｓ ． ｔ ． Ａ ｘ ＝ ｂ， ｘ ｘ ０ 到 Ｐ０ 的最优近似解 ． ） 设置 参 数 ， 给 出 矩 阵 Ａ、 向 量 ｂ、 误差临 ２ 界值ε ０ ． ） 初始化， 起 始 设 置 ｋ ＝ ０， 并设初始解 ３
１ ａ
ｘ） Ψ（ ａ ∫ ｆ（
一种基于压缩感知全变差算法的图像去噪方法
（ Ｉ ｍ ａ ｇ ｅ Ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ａ ｎ ｄ Ｉ ａｇ ｍ ｅ Ｃ ｏ ｍ ｍ ｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｌ ａ ｂ ． ， Ｎ ａ ｎ ｊ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｏ ｓ ｔ ｓ ａ ｄ ｎ Ｔ ｅ ｌ ｅ ｃ ｏ ｍ ｍ ｕ ｎ ｉ ｃ ａ ｔ ｏ ｉ ｎ ｓ ， Ｎ ａ ｎ ｊ ｉ ｎ ｇ ２ １ ０ ０ ０ ３ ， Ｃ ｈ ｉ ｎ ａ ）
【 Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ 】Ｃ ｏ ｍ ｐ ｒ ｅ ｓ ｓ ｅ ｄ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｂ ｒ ｅ ａ ｋ ｓ ｔ ｈ ｅ ｌ ｉ ｍ ｉ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｎ ｙ ｑ ｕ ｉ ｓ ｔ ｓ ａ ｍ ｐ ｌ ｉ ｎ ｇ ｃ ｉ ｒ ｔ ｅ ｉ ｒ ｏ ｎ ａ ｎ ｄ ｈ ａ ｓ ｗ ｉ ｄ ｅ ｓ ｐ ｒ ｅ ａ ｄ ｕ ｓ ｅ ｉ ｎ ｉ ｍ ａ ｇ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ． Ａ ａ ｐ ｐ ｒ ｏ ａ ｃ ｈ
ｌ 图像去噪简介
像 中含有噪声时 ， 获 取 的信息 往往 达不 到人 们 的质量 要
等比较经典 的去噪方法 ， 但是 如果噪声或者含噪图像 的参 数 发生改变 时 ， 需要重新设计 算法 的参 数 ， 使算法 的设计 本文在之前 的研究 基础 上 ， 运 用一 种新 的 图像 去 噪
Ｄ． 。 ． Ｔ
【 本文献信息】赵彦孟， 宋建新．一种基于压缩感知全变差算法的图像去噪方法［ Ｊ ］ ． 电视技术， ２ ０ １ ４ ， ３ ８ （ ５ ）
一
锕
种基于压缩感知全变差算法的图像去噪方法
基于压缩感知的多媒体视频图像去噪方法研究
压缩感知的重要步骤是同时压缩和取样，直接测量图像 大小，利用稀疏转换处理大部分的噪声，并通过重构算法对 L 维噪声进行重建处理，从而完成图像的迅速恢复和噪声的 进一步处理 [3]。将混杂噪声的视频图像 A 进行稀疏转换，获 得转换后的稀疏系数值。需要注意的是，实际应用中，为了 简单表达一个图像信号，普遍情况下会将图像信号转换到一 个全新的图像转换域或地址框架下。但是，当非零因素的个 数远远超过初始信号的个数时，需要将这些非零系数统称为 初始信号的稀疏表达 [4]，重建已经失真的图像初始信号值， 从而大大提高图像的压缩效率，进一步减少处理费用。
关键词：压缩感知；多媒体视频；图像去噪；清晰度 中图分类号：TP391.41；TP212.9 文献标识码：A 文章编号：1003-9767（2019）04-174-02
Research on Denoising Method of Multimedia Video Image Based on Compression Perception
Key words: compression perception; multimedia video; image de-noising; definition
０ 引言
图像是人们获得多媒体信息数据和传递信息的重要媒体 手段之一 [1]。因此，图像处理技术迅速发展。视频图像去噪 是图像处理技术的一个重要技术分支。事实上，现实生活中 拍摄到的视频图像因阳光、风雪、雨水、温度和光照等因素 的影响，不可避免产生一些噪声，不利于人们识别、观看、 匹配以及处理图像。对视频监控系统而言，视频图像去噪处 理具备重要意义和作用 [2]。常规的图像去噪方法已经无法满 足时代发展的需求，为此提出了基于压缩感知的多媒体视频 图像去噪方法。
基于机器学习的水下图像处理技术研究
基于机器学习的水下图像处理技术研究随着科技的不断发展，人类对于地球上的各种自然资源的开采有了更深入的探索。
其中，水下资源的开发与利用也成为了热门话题。
然而，由于水下环境的复杂性与特殊性，水下图像处理技术一直是制约水下资源开发的瓶颈之一。
而机器学习作为一种新兴的技术手段，为水下图像处理带来了新的思路与途径。
一、水下图像处理技术现状水下环境相较于陆地环境，存在水下光照强度低、水体散射、相机和物体运动等诸多干扰因素，会使得拍摄的水下图像存在色彩失真、模糊等问题。
传统的水下图像处理方法主要包括了颜色补偿、锐化、噪声去除等步骤，但是往往效果不尽如人意。
二、机器学习在水下图像处理中的应用机器学习作为一个新兴的技术领域，以其精准的识别与预测能力，逐渐被应用于水下图像处理领域。
具体应用包括以下几个方面：1、浑水图像分割在水下环境中，浑水图像的存在需要借助于计算机对图像进行分类分割，以便于识别物体和分析环境。
传统的图像分割方法需要依靠大量的手动标注数据和人工处理，但是随着深度学习的不断发展，基于卷积神经网络的图像分割方法已经在水下环境中得到了广泛的应用。
基于深度学习的水下视觉系统,能够在无人机采集的相机影像中通过计算图像亮度、对比度、梯度等特征，实现快速准确的图像分割。
2、物体检测在水下环境中，物体检测是水下机器人任务中的重要环节。
物体检测需要机器学习算法对图像中的物体进行自动识别。
使用神经网络方法可以实现对水下物体的自动识别。
通过训练海洋物体数据集（如鱼类、贝壳、水母等），使用深度学习分类器分类不同类型的物体，并识别物体位置、轮廓特征等信息，达到水下物体检测的目的。
3、目标跟踪在水下环境中，随着机器人的移动和物体运动，物体在图像中的位置和姿态都发生了变化。
而基于机器学习的目标跟踪方法，能够准确地追踪物体的位置、轮廓等信息，并进行准确的预测。
通过训练卷积神经网络、递归神经网络等模型，使得机器能够在水下环境下心无旁骛地精准跟踪物体。
一种基于压缩感知的全变分图像去噪算法
一种基于压缩感知的全变分图像去噪算法刘泽鹏;陈媛媛【摘要】Aiming at the deficiencies of the traditional image denoising methods,a full variational regu-larized image denoising method based on compressive sensing is proposed.The TVAL3 algorithm based on compressed sensing algorithm is used to reconstruct the images and denoise.By comparing with the peak signal-to-noise ratio and reconstruction time of the OMP and SP compressed sensing algorithms,at sampling rates of 0.4 and 0.8,the peak signal-to-noise ratio of the algorithm is increased approximately 3 dB or more,the reconstruction time has also increased significantly.With the increase of sampling rate,the number of iterations required by the algorithm becomes smaller and smaller.At the sampling rate of 0.4,the required number of iterations is 78.However,the number of iterations is reduced to 57 at sampling rate of 0.8,and the time required is getting shorter and shorter.The experimental results show that the reconstruction effect of this algorithm is obviously better than other compressed sensing reconstruction algorithms,and it can well perform image reconstruction and noise removal.%针对传统图像去噪方法的不足,提出了一种基于压缩感知的全变分正则化图像去噪算法,利用基于压缩感知算法中的TVAL3 算法对含噪图像进行图像重构和噪声去除.通过对比该算法与OMP (Orthog-onal matching pursuit,OMP)与 SP (Subspace pursuit,SP)算法的峰值信噪比和重构时间,发现在采样率为0.4 和0.8 时,该算法的峰值信噪比提高都在 3 dB以上,时间方面也有明显提升;随着采样率的提升,算法所需的迭代次数越来越少;采样率为0.4 时,所需的迭代次数为78 次,但采样率在0.8 时,迭代次数减少到57 次,所需时间越来越短.实验结果表明,该算法的重构效果明显优于其它压缩感知重建算法,能够很好地进行图像重构和噪声去除.【期刊名称】《测试技术学报》【年(卷),期】2018(032)004【总页数】6页(P323-328)【关键词】图像去噪;压缩感知;全变分正则化;图像重构【作者】刘泽鹏;陈媛媛【作者单位】中北大学光电信息与仪器工程工程研究中心,山西太原 030051;中北大学信息与通信工程学院,山西太原 030051;中北大学光电信息与仪器工程工程研究中心,山西太原 030051;中北大学信息与通信工程学院,山西太原 030051【正文语种】中文【中图分类】TN911.730 引言随着科学技术的发展，人们对于图像质量的要求越来越高，然而，大部分获得的图像由于噪声的存在，其质量往往达不到人们的要求. 噪声降低了图像的质量，使得人们不能有效的获取到图像中的信息，也给图像的后续处理带来各种困难. 因此，需要一种快速且有效的方法来去除图像中的噪声.传统的图像去噪方法有空域和频域两大类，其工作思想主要是基于图像的有效信息和噪声频率特性的差别来去除噪声. 空域去噪的方法主要包括均值滤波、高斯滤波、中值滤波和维纳滤波法等，该类方法的主要缺点是不能很好地保留图像的边缘信息，降噪后的图像质量视觉较差；频域去噪方法主要是通过对含有噪声的图像进行各种变换，例如小波变换、小波包变换等，从而进行降噪，该类方法虽然降噪效果优于空域法，但效果不稳定，算法的设计比较复杂.本文将压缩感知[1-4]理论运用到图像去噪过程，利用压缩感知中的算法对图像进行重构和噪声去除. 目前，常用的重构算法[5]主要分为两大类：基于L1范数的凸优化算法和基于L0范数的贪婪算法. 凸优化算法的重构思想是通过添加约束项来逼近最优解，主要算法包括基追踪(basic pursuit，BP)、全变分(total variation, TTV)等；贪婪算法的重构思想是通过选择合适的原子并通过一系列迭代实现信号的原始逼近，该类算法主要包括匹配追踪(orthogonal matching pursuit，MP)、正交匹配追踪(orthogonal matching pursuit，OMP)、压缩采样匹配追踪(compressive sampling orthogonal matching pursuit，CoSaMP)以及子空间追踪(subspace pursuit，SP)等. 对比两种算法，基于L0范数的贪婪算法虽然重构速度优于凸优化算法，但是其重构精度没有凸优化算法高，而且随着凸优化算法的改进，其部分算法的重构速度已不亚于贪婪算法. 近年来，众多学者基于压缩感知对图像去噪提出了各种方法[5-12]，取得了不错的效果. 本文采用全变分[13]算法中的TVAL3算法对含噪图像进行去噪，通过实验仿真，表明本文的算法优于其它压缩感知算法.1 压缩感知基本理论2006年，美国科学家Donoho、Candès和Tao等人提出压缩感知[1-4](compressed sensing, CS)理论，理论指出，假如信号本身是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后，通过求解一个最优化问题就可以从低维空间以高概率重构出原信号.假设x∈RN的一维信号，可以通过某个稀疏基φ=[φ1,φ2,…,φN]对信号进行稀疏表示，信号x∈RN在基φ下的表示为(1)式中：当向量θ中绝对值较大的元素很少，则可以认为θ是稀疏的或者是可压缩的. 如果向量θ中只有K个元素值不为零，其它元素值都为零，则称θ为K稀疏信号(严格稀疏)，其中K≪N.通过一个与稀疏基不相关的测量矩阵Φ对信号x∈RN进行测量，测量矩阵Φ∈RM×N(M≪N),可以得到测量向量y. 式(2)为信号x经过测量矩阵Φ得到测量向量y的过程.y=Φx=Φφθ=Aθ,(2)式中： A为传感矩阵，也叫CS信息算子，A∈RM×N，y∈RM，为测量值. 对于给定的y，从式(2)可求出θ是一个线性规划问题，但由于M≪N, 即方程的个数远小于未知数的个数, 是一个欠定性问题, 一般来讲无确定解，因此重构过程是一个NP难问题. 对此，Candès和Tao研究并证明了如果传感矩阵A满足有限等距性质(RIP)[14,15]，在某种意义来说，等同于测量矩阵Φ和稀疏基φ不相关.定义 1(RIP) 对于矩阵A∈RM×N，若对任意θ∈RI和常数δ∈(0,1), 如果(1-δ)‖θ‖2≤‖AIθ‖2≤(1+δ)‖θ‖2(3)成立，其中θ为K稀疏信号，I⊂{1,2，…，N}，︱I︱≤K，AI表示由索引集合I ⊂{1,2，…，N}在A中列向量构成的子矩阵，则称矩阵A满足有限等距性(RIP). 通常称使得式(3)成立的参数δ的最小值为有限等距常数(RIC)，记为δm.式(2)中的θ可以求解L0最小范数而精确重构，重构公式为min‖θ‖0s.t. y=Aθ.(4)由于式(3)是一个非凸优化问题，求解是一个NP难问题. 由此转化为求解L1最小范数问题，重构公式为min‖θ‖1s.t. y=Aθ.(5)式(4)为一个凸优化问题，于是可以化简为线性规划问题，求解该问题典型的算法为凸优化算法，凸优化算法是将非凸优化问题转化为凸优化问题进而求解，如基追踪(BP)算法、梯度投影方法和全变分(TV)算法等.2 基于TVAL3的图像去噪2.1 TVAL3重建算法TVAL3 [5]算法以全变分正则化模型为基础，采用增强拉格朗日(augmented lagrangian method)和交替方向变换(alternating direction method)求解目标函数. 该方法速度快，重建质量高，而且灵活性好，支持多种测量矩阵和约束条件. TVAL3算法模型为全变分正则化(total variation regularization)，即(6)式中： A为测量矩阵； u为输入的原始图像； i和j表示图像的行与列； b为测量值； Di u表示图像的变分或梯度值. 其中图像的全变分公式为(7)采用拉格朗日方法将目标函数等价于(8)引入松弛变量w，模型变成(9)目标函数则变成(10)通过引入松弛变量和增广拉格朗日方法，目标函数转变为(11)采用交替方向变换方法，可以将问题转变为求解两个子问题，即求w和u，通过迭代方法首先求解w，再求u.w的子问题为(12)u的子问题为(13)采用交替最小化法求解式(10)，获得uk+1=uk-αkdk,其中，根据公式，对于所有的i, 有vi←vi-β(Diui-wi),λ←λ-μ(Aui-b).2.2 压缩感知的去噪图像模型本文所处理加性高斯白噪声的含噪图像的模型为y=x+n,(14)式中： y为含噪图像； x为清晰图像； n为加性噪声. 首先根据压缩感知理论，对含噪图像进行稀疏表示，即y=x+n=φs,(15)式中：φ为对含噪图像采用的稀疏基. 然后对含噪图像进行观测测量，为Y=X+N=ΦS.(16)最后，通过TVAL3算法求解一个最优化问题进行图像的重构和去噪，即(17)通过求解式(17)的最小目标函数来估计清晰图像的稀疏表示，然后恢复重建图像，从而去除噪声.3 实验结果与分析实验仿真所用的环境为Intel(R)Core(TM)********************.30GHz4.00GBRAM Window7.32bit MATLAB 7.11.0(2010b). 实验采用256×256的Albert.Einstein作为原始图像，对原始图像添加均值为0，方差为0.005的加性高斯白噪声作为含噪图像，采用离散小波变换(DWT)对含噪图像进行稀疏化处理，选取高斯随机矩阵作为测量矩阵Φ∈RM×N. 为了说明本文算法的重构效果，将本文算法与其它压缩感知的重建算法OMP和SP进行对比，最后对三种算法的峰值信噪比(peak signal to noise ratio, PSNR/dB)和重构时间(t/s)进行了对比分析.(18)式中： I(i, j)为原始图像像素值；I′(i,j)为恢复图像像素值； I(i,j)max表示图像颜色的最大数值，8 bit图像取值最大为255.在采样率分别为0.4和0.8时，通过利用本文重建算法与其它对比的压缩感知重建算法OMP和SP进行实验仿真对比，重构结果对比如图 1 和图 2 所示.图 1 采样率为0.4时三种算法的重建图像Fig.1 The reconstructing image of the three algorithms at a sampling rate of 0.4图 2 采样率为0.8时三种算法的重建图像Fig.2 The reconstructing image of the three algorithms at a sampling rate of 0.8图 1 和图 2 中，(a)是原始图像，(b)是添加均值为0，方差为0.005的加性高斯白噪声含噪图像，(c)是三种算法各自恢复的图像. 对比上述的恢复图像及三种算法的PSNR和重构时间，可以看出，采样率越高，图像的恢复效果越好. 可见本文算法在重构性能上明显优于其它两种对比的压缩感知重建算法. 而且随着采样率的提高，本文算法的重建时间缩短，原因是由于采样率提升，TVAL3算法求解所需的迭代次数减少，在采样率为0.4时，TVAL3算法所需的迭代次数为78次，但采样率在0.8 时，TVAL3算法的迭代次数减少到57次，所以所需时间变短.综上所述，通过实验仿真的重构效果和数据对比可知，本文采用的TVAL3算法对含噪图像的重构效果和噪声去除明显优于对比的压缩感知算法，使得重构图像的效果越来越好，重构时间变短.4 结语本文针对传统图像去噪的不足，采用了一种基于压缩感知的图像去噪方法，该方法以全变分正则化为模型，采用增强拉格朗日和交替方向变换求解目标函数的最优解. 通过实验仿真表明，该方法能够很好地进行图像重构和噪声去除，在含噪图像的重构效果和噪声去除方面明显优于对比的压缩感知算法.参考文献：【相关文献】[1] Donoho D. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006,52(4)： 1286-1306.[2] Candes E，Tao T. Near optimal signal recovery from random projections:Universal encoding strategies[J]. IEEE Transactions on Information Theory，2006，52(12)： 5406-5425.[3] Candes E，Wakin M. An introdution to compressive sampling[J]. IEEE Signal Processing Magazine，2008： 21-30.[4] Candes E，Romberg J，Tao T. Robust uncertainty principles： exact signal reconstruction from highly incompletefrequency information[J]. IEEE Transactions on Information Theory，2006，52(2)： 489-509.[5] 高雪. 基于压缩感知的图像重建算法研究[D]. 哈尔滨：哈尔滨理工大学，2015.[6] 赵彦孟，宋建新. 一种基于压缩感知全变差算法的图像去噪方法[J]. 电视技术，2014，38(5)：5-8.Zhao Yanmeng，Song Jianxin. An image denoising method based on compressed sensing total variation algorithm[J]. TV technology，2014，38(5)： 5-8. (in Chinese)[7] 邹建成，樊立. 一种基于压缩感知的图像去噪方法[J]. 北方工业大学学报，2012，24(1)： 1-3+7.Zou Jiancheng，Fan Li. An image denoising method based on compressed sensing[J]. Journal of North China University of Technology，2012，24(1)： 1-3+7. (in Chinese)[8] 冯莹莹，周红志，邓明. 基于微分压缩感知的图像去模糊技术研究[J]. 计算机应用研究，2013，30(5)： 1582-1585.Feng Yingying，Zhou Hongzhi，Deng Ming. Research on image deblurring technique based on differential compression sensing[J]. Application Research of Computers，2013，30(5)： 1582-1585. (in Chinese)[9] 刘钢. 基于压缩感知和稀疏表示理论的图像去噪研究[D]. 西安：电子科技大学，2013.[10] 李鑫. 基于稀疏表示的图像去噪方法研究[D]. 西安：陕西师范大学，2015.[11] 王俊，杨成龙. 一种基于压缩感知的改进全变分图像去噪模型[J]. 计算机与数字工程，2017(9)： 1833-1836.Wang Jun，Yang Chenglong. An improved total variation image denoising model based on compressed sensing[J]. Computer & Digital Engineering，2017(9)： 1833-1836. (in Chinese)[12] 张帆. 基于偏微分方程与边缘检测的图像降噪算法[J]. 计算机工程与设计，2014(2)： 562-564.Zhang Fan. Image denoising algorithm based on partial differential equations and edge detection[J]. Computer Engineering and Design，2014(2)： 562-564. (in Chinese)[13] Gopi V P, Palanisamy P, Wahid K A, et al. Micro-CT image reconstruction based on alternating direction augmented Lagrangian method and total variation[J]. Computerized Medical Imaging and Graphics, 2013(7-8): 419-429.[14] Candès E，Romberg J，Tao T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory，2006，52(2)： 489-509.[15] Candes E J． The restricted isometry property and its implication for compressed sensing[J]. Comtes Rendus Mathematique，2008，346(9/10)： 589-592．。
基于压缩感知的图像去噪的综述
而 忙
得
ｙ ＠ ｘ ＝ ￣ｖ ｔ ＝ － Ｏ ｔ
（ ２ ． ２ ）
其 中 西为 测 量 矩 阵 ， 大 小 为 Ｍｘ Ｎ。 ＠ ＝ 、 Ｉ ， 为 Ｍｘ Ｎ 的矩 阵 ，叫作 投影 矩 阵，Ｙ被 叫做 ｔ 在投影矩阵下的测量值 ，大小为 Ｍｘ １ ， 则压缩 感知的测量过程 如图 ２所示 。 目前 ，如何 设计观 测矩 阵是 压缩 感知 理
是 保护边缘和细节信 息，输出一幅更适合于人 眼观 察或计算机能够进 一步研究的去噪图像 。 去 噪后的图像可信度更 高，图像更清晰，更适 合 人眼检测和计算机识 别，分析。 目前 图像去 噪技 术在 遥感图像 、自动识 别、医学 图像处理 、 计 算机视觉等更多领域发挥着重要作 用。 １ ． ２图像 去噪的研究现状
ｍａ ｇ ｅ＆Ｍｕ ｌ ｔ ｉ ｍｅ ｄ ｉ ａ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ・ 图像与多媒体技术
基 于压 缩感知的图像去噪的综述
文／ 张丽娟 纪峰
压 缩感 知是 近 年来 新兴 的 一 门数 据 采样 技 术， 其主要 思 想 就 是 利用较 少 的 采样数 据 对信 号 进 行 重构 恢 复。压 缩感 知颠 覆 了传 统 的信 号 采样 方 法，它 采用 信 号 的稀 疏表 示 法 来保证 原 始信 号 的 主要 结 构，再 通 过 重构 算 法对 原 始信 号 进行 精 确 重构 。本文 将 对 图像 去 噪运 用 压缩 感知 理 论 ，利 用 压缩 感知 的优 点，对 含噪 图像 进 行稀 疏表 示，再 采用 不 同 的重 构 算法 对原 始 图像 进 行 恢复 ，从 而完 成 噪 声 的去 除 。
先 定 义 向量 ｘ＝ ｛ ｘ 。 ， Ｘ ２ ， …ｘ ）的 Ｐ 一 范数
一种基于压缩感知的遥感影像混合去噪模型
一种基于压缩感知的遥感影像混合去噪模型
余岸竹;姜挺;唐志华;张笑微;于瑶瑶
【期刊名称】《测绘科学技术学报》
【年(卷),期】2013(030)001
【摘要】针对遥感影像噪声通常由光学噪声和电噪声组成的特点,提出了一种基于压缩感知的混合去噪模型.该模型结合了压缩感知原理和自适应中值滤波算法,分别在小波域与空间域对影像进行去噪.实验结果证明了混合模型在有效抑制影像中噪声的同时,可以保持较高的信噪比和归一化方差,有较高的图像的纹理和边缘信息保持能力.
【总页数】5页(P68-72)
【作者】余岸竹;姜挺;唐志华;张笑微;于瑶瑶
【作者单位】信息工程大学地理空间信息学院,河南郑州 450052;信息工程大学地理空间信息学院,河南郑州 450052;信息工程大学地理空间信息学院,河南郑州450052;信息工程大学地理空间信息学院,河南郑州 450052;61646部队,北京100192
【正文语种】中文
【中图分类】P237
【相关文献】
1.一种基于压缩感知的全变分图像去噪算法 [J], 刘泽鹏;陈媛媛
2.一种基于压缩感知的改进全变分图像去噪模型 [J], 王俊;杨成龙
3.一种改进的遥感影像去噪综合模型 [J], YUAN Mingyue;WEI Yue;SUN Wei;ZHANG Yanlan
4.一种基于压缩感知的改进全变分图像去噪方法 [J], 徐立军;杨秋翔;雷海卫
5.一种基于压缩感知的多重测量去噪算法 [J], 王玉林;文建国
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于压缩感知的图像去噪方法
一种基于压缩感知的图像去噪方法
邹建成;樊立
【期刊名称】《北方工业大学学报》
【年(卷),期】2012(024)001
【摘要】提出一种新的图像去噪方法,即根据压缩感知理论,利用变换求出含噪图像的稀疏表示,运用算法重构出原始图像,从而达到去除噪声的目的.实验表明,该方法具有可操作性和可行性.
【总页数】4页(P1-3,7)
【作者】邹建成;樊立
【作者单位】北方工业大学图像处理与模式识别研究所,100144,北京;北方工业大学图像处理与模式识别研究所,100144,北京
【正文语种】中文
【中图分类】TP39
【相关文献】
1.一种基于压缩感知全变差算法的图像去噪方法 [J], 赵彦孟;宋建新
2.基于压缩感知的多媒体视频图像去噪方法研究 [J], 龚家举
3.一种新型隧道图像去噪方法——基于小波变换及中值滤波的隧道图像去噪方法研究 [J], 李瑞琦;鲍艳;卢建军;郭飞;孔恒
4.一种新型隧道图像去噪方法——基于小波变换及中值滤波的隧道图像去噪方法研究 [J], 李瑞琦;鲍艳;卢建军;郭飞;孔恒
5.一种基于压缩感知的改进全变分图像去噪方法 [J], 徐立军;杨秋翔;雷海卫
因版权原因，仅展示原文概要，查看原文内容请购买。
压缩感知在图像去噪中的应用研究
压缩感知在图像去噪中的应用研究摘要：随着数字图像的广泛应用，图像质量的提升成为研究的热点之一。
图像去噪是其中的一个重要环节。
近年来，压缩感知技术在图像去噪中得到广泛应用。
本文通过对压缩感知在图像去噪中的应用研究进行综述，探讨了其原理、方法和优势，并分析了存在的问题及解决方案。
关键词：压缩感知、图像去噪、原理、方法、优势、问题、解决方案一、引言随着图像获取设备的普及及图像传输技术的飞速发展，我们每天都会面对大量的数字图像。
然而，这些图像中常常受到噪声的污染，影响了图像质量。
图像去噪是提高图像质量的重要手段之一，因此引起了广泛的研究兴趣。
二、压缩感知技术原理压缩感知是一种新兴的信号处理技术，它通过对信号进行采样和重构，能够在较少的采样点数下实现高质量的信号重构。
压缩感知的核心思想是利用信号的稀疏性，通过稀疏表示和重建算法来实现信号的高效压缩和重构。
三、压缩感知在图像去噪中的方法压缩感知在图像去噪中的方法主要包括以下几个步骤：首先，对含有噪声的图像进行稀疏表示，通常使用离散余弦变换或小波变换等方法；然后，利用压缩感知算法对稀疏表示的系数进行采样，得到采样数据；最后，通过重建算法对采样数据进行重构，得到去噪后的图像。
四、压缩感知在图像去噪中的优势相比传统的图像去噪方法，压缩感知在图像去噪中具有以下优势：首先，由于采样点数较少，可以大大减少数据传输和存储的开销；其次，通过稀疏表示和重建算法，能够更好地保留图像的细节信息；此外，压缩感知还能够有效抑制噪声的传播，提高图像去噪的效果。
五、存在的问题及解决方案尽管压缩感知在图像去噪中具有诸多优势，但仍然存在一些问题，如重构误差较大、计算复杂度较高等。
针对这些问题，研究人员提出了一系列解决方案，如改进重构算法、优化采样策略等。
六、结论本文综述了压缩感知在图像去噪中的应用研究，探讨了其原理、方法和优势，并分析了存在的问题及解决方案。
压缩感知技术在图像去噪中具有广阔的应用前景，相信通过进一步的研究和改进，将能够更好地提高图像质量，满。
基于压缩感知的无人机图像组合去噪方法
0引言无人机因具有体型小巧，侦察方式灵活，无需考虑飞行员安全问题，可进入危险区域（如危险物搜救、交通管理、灾难救援、军事行动等）进行工作等优良特性在军事上具有广泛应用［1］，但图像在采集、传输过程中不可避免地存在着各种干扰，从而使图像的质量受到影响，不利于图像的分析和研究。
因此，在进行图像分割、边缘检测、特征提取等处理前，对图像进行去噪处理是必不可少的。
国内外针对图像去噪已提出多种方法，现有的去噪方法分为空间域去噪方法和变换域去噪方法。
空间域去噪方法主要有均值滤波法、中值滤波法［2］、维纳滤波法［3］等。
这些算法利用了相邻像素之间的收稿日期：2017-05-18修回日期：2017-06-09基金项目：国家自然科学基金（61171170）；国防科技重点实验室基金资助项目（9140C130502140C13068）作者简介：沈晨（1993-），女，安徽合肥人，硕士研究生。
研究方向：图像处理与信息融合技术。
*摘要：针对无人机图像中存在的多种类型噪声干扰的情况，提出了一种基于压缩感知的无人机图像混合去噪方法。
利用移动窗口平滑处理含噪图像中脉冲噪声，并去除该类噪声对图像稀疏性的破坏；对粗去噪图像进行稀疏表示，利用高斯观测矩阵对其测量，通过正交匹配追踪算法重构得到去噪后图像。
实验结果表明，该算法改善了基于压缩感知图像去噪方法对含有脉冲噪声去噪效果差的问题，提高了去噪图像的峰值信噪比和视觉效果。
关键词：压缩感知，平滑处理，稀疏表示，正交匹配追踪算法中图分类号：TP751文献标识码：ADOI ：10.3969/j.issn.1002-0640.2018.06.002引用格式：沈晨，张旻.基于压缩感知的无人机图像组合去噪方法［J ］.火力与指挥控制，2018，43（6）：11-15.基于压缩感知的无人机图像组合去噪方法*沈晨1，2，张旻1，2（1.国防科技大学电子对抗学院，合肥230037；2.安徽省电子制约技术重点实验室，合肥230037）文章编号：1002-0640（2018）06-0011-05Vol.43，No.6Jun ，2018火力与指挥控制Fire Control &Command Control 第43卷第6期2018年6月Combined Denoising Method Based on CompressedSensing for Unmanned Aerial VehiclesSHEN Chen 1，2，ZHANG Min 1，2（1.School of Electronic Countermeasure ，National University of Defense Technology ，Hefei 230037，China ；2.Key Laboratory Electronic Restricting Technique ，Hefei 230037，China ）Abstract ：Aiming at the multiple types of noise jamming in unmanned aerial vehicles （UAV ）images ，a hybrid image denoising method based on compression sensing is proposed.Firstly ，the moving window is used to smooth the impulse noise in the noisy image ，and the sparseness of the image is removed.Then ，the initial denoising image is sparsely expressed and measured by Gaussian observation matrix ，then reconstructed by orthogonal matching pursuit algorithm.Experimental results show that the proposed algorithm improves the denoising effect of Impulse noise and improves the PSNR of the denoised image and the visual effect.Key words ：compressed sensing ，smoothing ，sparse representation ，orthogonal matching pursuit algorithmCitation format ：SHEN C ，ZHANG bined denoising method based on compressed sensing for unmanned aerial vehicles ［J ］.Fire Control &Command Control ，2018，43（6）：11-15.11··（总第43-）火力与指挥控制2018年第6期相关性，将相邻的像素集中起来进行加权平均以达到去噪的目的。
基于图像处理技术的水下图像增强与恢复技术研究
基于图像处理技术的水下图像增强与恢复技术研究随着科学技术的发展，人类对深海的探索渐渐加深，然而水下光环境与陆上光环境存在着天壤之别，这就导致了水下图像的清晰度相对较差，同时还存在着很多问题，例如海水的散射、水下亮度不均以及颜色变幻等。
这些问题给水下图像的观测和研究造成了很大的困难。
那么如何解决这些问题呢？基于图像处理技术的水下图像增强与恢复技术就应运而生。
一、水下图像增强技术为了提高水下图像的清晰度，我们不得不想尽办法去寻找水下图像增强技术。
比较常见的方法如下：1、色彩平衡算法水下图像的颜色非常单调以及色彩变幻比较大，这就需要采用色彩平衡算法进行处理。
该算法可以对图像的总体色彩进行调整，使图像呈现出更好的效果。
2、图像滤波算法图像滤波算法可以有效缓解海水的散射现象，使得水下图像变得更加清晰，更加容易被观察。
3、调整亮度和对比度调整亮度和对比度是水下图像增强的重要手段之一。
通过对亮度和对比度的调整，可以使得图像的整体质量得到提高。
二、水下图像恢复技术水下图像恢复技术主要是针对已有的模糊、失真图像进行恢复。
比较常见的水下图像恢复技术有：1、基于双极滤波的图像恢复算法该算法主要是通过对图像的信息进行统计和分析，然后通过双极滤波技术对图像进行恢复。
2、基于小波变换的水下图像恢复算法这种方法可以将原始图像进行小波变换，然后利用压缩感知算法去除图像信息中的噪声和干扰，最后得到更为清晰的图像。
3、基于深度学习的水下图像恢复技术基于深度学习的水下图像恢复技术是近年来发展起来的技术，它利用神经网络对水下图像进行分析，然后通过模型训练得到更高质量的水下图像。
三、图像处理技术的应用基于图像处理技术的水下图像增强与恢复技术可以应用在很多领域。
例如：1、海洋勘探海洋勘探是水下图像处理技术的重要应用之一。
通过增强和恢复水下图像，可以帮助海洋勘探人员更加精确地进行深海勘探工作。
2、水下考古水下考古难度极大，利用水下图像处理技术可以发现更多隐藏在海水中的珍贵文物和文化遗存。
压缩感知去噪代码 -回复
压缩感知去噪代码-回复如何使用压缩感知算法进行图像去噪。
本文将按照以下步骤详细介绍压缩感知去噪的方法。
第一步：了解压缩感知算法原理压缩感知是一种通过构建信号的稀疏表示进行高效数据采样和恢复的方法。
其核心思想是将信号通过稀疏变换，利用较少的采样进行恢复。
在去噪任务中，我们可以将图像作为稀疏信号，并使用压缩感知算法对其进行去噪。
第二步：准备工作在使用压缩感知进行图像去噪之前，我们需要先进行一些准备工作。
首先，我们需要选择一个适合的稀疏变换。
常用的稀疏变换包括离散余弦变换(DCT)、小波变换(Wavelet)等。
选择合适的稀疏变换可以尽量提取图像中的稀疏特征，便于后续处理。
其次，我们需要从噪声图像中提取稀疏表示所需的测量矩阵。
常用的测量矩阵有随机高斯矩阵、哈达玛矩阵等。
选择合适的测量矩阵可以保证高质量的重建结果。
第三步：稀疏表示和测量在这一步中，我们需要对噪声图像进行稀疏表示和测量。
首先，我们将噪声图像通过选定的稀疏变换得到其稀疏表示。
然后，将稀疏表示与测量矩阵相乘，得到测量结果。
这一步的目的是将高维的图像信号降维为低维的测量结果。
第四步：优化问题在这一步中，我们需要将去噪问题转化为一个优化问题。
我们试图通过最小化原始信号与稀疏表示之间的误差，以及测量结果与原始信号之间的误差来恢复原始信号。
通常使用的优化算法有L1范数最小化、L2范数最小化等。
我们可以通过求解最小化误差的优化问题来得到图像的估计。
第五步：还原原始图像在这一步中，我们将通过求解优化问题得到的估计结果，进行反变换得到最终的去噪图像。
具体的反变换操作与选定的稀疏变换有关。
第六步：性能评估在进行图像去噪时，我们需要对去噪效果进行评估。
常用的评估指标包括均方误差(MSE)、峰值信噪比(PSNR)等。
通过比较去噪图像与原始图像之间的差异，我们可以得到压缩感知去噪算法的性能。
总结：压缩感知去噪算法是一种利用稀疏特性进行图像去噪的方法。
通过合适的稀疏变换和测量矩阵，可以有效地提取图像中的稀疏特征，并进行去噪处理。
基于压缩感知的水下图像去噪
基于压缩感知的水下图像去噪丁伟;王国宇;王宝锋【摘要】The images got by underwater camera are fuzzy due to complex underwater environment. A number of data without useful information may be collected when data collection is performed, and the noise effect may be more serious. There-fore, a theory of compressed sensing is proposed, in which the signal can be reconstructed in high-probability by a low sampling rate. In order to research the effect of compressed sensing on underwater image denoising, OMP, SP, COSAMP greedy algorithms are used for the reconstruction analysis of underwater images in different sampling rates. The experimental results show that the image can be reconstructed by a small amount data and the underwater noise can be inhibited if an appropriate sampling rate is chosen. The best effect was got by OMP algorithm.%水下环境复杂,水下摄像得到的图像较为模糊.采集数据时会采集到大量不包含任何有用信息的数据,噪声影响更严重.压缩感知理论提出,能用较低采样率高概率重构信号.为研究压缩感知对水下图像噪声的抑制作用,采用OMP,SP,COSAMP不同贪婪重构算法对水下图像进行不同采样率重构分析.实验结果表明,选取合适采样率既可以以少量数据重构图像,又可以抑制水下噪声,且OMP 算法效果最好.【期刊名称】《现代电子技术》【年(卷),期】2013(036)002【总页数】3页(P19-21)【关键词】压缩感知;水下图像;图像重构;图像去噪【作者】丁伟;王国宇;王宝锋【作者单位】中国海洋大学信息科学与工程学院,山东青岛266100;中国海洋大学信息科学与工程学院,山东青岛266100;中国海洋大学信息科学与工程学院,山东青岛266100【正文语种】中文【中图分类】TN919-340 引言随着地球上人口的激增，陆上资源的不断消耗，海洋逐渐成为人类赖以生存的发展新空间。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于压缩感知的水下图像去噪
作者：丁伟王国宇王宝锋
来源：《现代电子技术》2013年第02期
摘要：水下环境复杂，水下摄像得到的图像较为模糊。
采集数据时会采集到大量不包含任何有用信息的数据，噪声影响更严重。
压缩感知理论提出，能用较低采样率高概率重构信号。
为研究压缩感知对水下图像噪声的抑制作用，采用OMP，SP，COSAMP不同贪婪重构算法对水下图像进行不同采样率重构分析。
实验结果表明，选取合适采样率既可以以少量数据重构图像，又可以抑制水下噪声，且OMP算法效果最好。
关键词：压缩感知；水下图像；图像重构；图像去噪
中图分类号：TN919⁃34 文献标识码：A 文章编号：1004⁃373X（2013）02⁃0019⁃03
0 引言
随着地球上人口的激增，陆上资源的不断消耗，海洋逐渐成为人类赖以生存的发展新空间。
人类在对海洋进行探索发现时，往往采取水下摄像的方式获取有价值的信息。
相机在处理过程中需要采集大量数据，但经过变换后只需存储一小部分，大量不包含任何有用信息的冗余数据也被采集，这就对设备要求高，并且采集到的水下图像噪声的影响也会增大。
压缩感知的方法可以直接获取少量包含绝大部分目标信息的数据，经过重构得到需要的水下图像。
基于压缩感知的图像去噪方法，将图像中的有用信息部分作为图像中的稀疏成分，而将图像中的噪声作为图像去除其中稀疏成分后得到的残差，并以此作为图像去噪处理的基础。
本文主要研究贪婪重构算法系列对水下图像有色噪声的抑制作用[1]。
1 压缩感知理论介绍
1.1 压缩感知理论的提出
在日常生活中，人们接触的信号大多数是模拟的，但是目前在信息处理过程中能处理的信号却只能是数字化的，所以人们要得到信号，首先就要进行A/D转换，即模拟/数字信号转换。
转换过程主要包括采样、压缩、传输和解压缩4个部分。
其中采样过程必须满足奈奎斯特采样定理，即采样频率大于等于模拟信号频谱中最高频率的2倍。
然而随着时代发展，人们对信息需求量逐渐增加，携带信息的信号带宽越来越宽，所要求的处理速度和采样速率越来越高，这就使得相应的硬件条件难以实现，给信号的转换过程带来巨大的压力。
是否能够采用一种新的方法，在保证信息不损失的情况下，用远低于采样定理要求的速率采样信号，又能恢复信号，成为研究的热点。
2006年由Donoho（美国科学院院士）、E Candes（Ridgelet，Curvelet创始人）及华裔科学家T Tao（陶哲轩，2006年菲尔茨奖获得者）在 IEEE Transactions on Information Theory上发为线性规划的问题。
目前，由稀疏表示形成的重构算法可粗略地归纳为以下3类：主要包括最小l1范数法，贪婪算法，迭代阈值法及最小全变分法。
由于迭代贪婪算具有低复杂度和简单几何解释的特点，受到了重要的关注，其主要思想是通过迭代计算x的支撑获得重构。
主要常用的有匹配追踪MP算法（Matching Pursuit，MP）[5]，正交匹配追踪OMP算法（（Orthogonal Matching Pursuit，OMP）[6]，压缩采样匹配追踪COSAMP（Compressive Sampling Matching Pursuit）算法[7]，子空间追踪SP（Subspace Pursuit）算法[8]以及它们的改进方法。
2 水下图像特点
人类在对海洋进行探索发现时，往往采取水下摄像的方式获取有价值的信息。
水对光有强烈的衰减作用，衰减方式主要有水对光的选择吸收和对光的散射2种[9]。
其中水对光的散射，对水下成像影响极大。
通常表现为使整个影像呈现雾化效果，且散射光影响影像衬度，使图像对比度大幅度降低。
此外，水体的流动，水中存在的微粒、浮游生物等，都使水下图像的噪声增强，引起图像质量恶化，这为图像处理工作带来更多困难。
典型的水下图像（非水槽内图像）有以下特点[10]：
（1）照明光由探照灯发出，为会聚光照明。
成像光线的强弱分布呈现较大差异，以照明光最强点为中心，径向逐渐减弱，反映到图像上就是背景灰度不均；
（2）由于水体对光的吸收效应、散射效应和卷积效应使得水下图像产生较严重的非均匀亮度和细节模糊，而且图像信噪比很低，图像对比度显著变差；
（3）不良的照明条件使水下图像出现假细节，如自阴影，假轮廓等。
参考文献
[1] 尹忠科，解梅，王建英.基于稀疏分解的图像去噪[J].电子科技大学学报，2006，35（6）：876⁃878.
[2] CANDES E， ROMBERG J， Tao T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information [J]. IEEE Transactions on Information Theory， 2006， 52（2）： 489⁃509.
[3] BARANIUK R pressive sensing [J]. IEEE Signal processing Magazine， 2007 （4）： 118⁃120.
[4] CAND’ES E J，TAO T. Decoding by linear programming [J]. IEEE Trans. on Information Theory， 2005， 51（12）： 4203⁃ 4215.
[5] MALLAT S，ZHANG Z.Matching pursuit in a time： frequency dictionary [J]. IEEE Trans. on Signal Processing， 1993， 41（12）： 3397⁃3415.
[6] TROPP J， GILBERT A.Signal recovery from random measurements via orthogonal matching pursuit [J]. IEEE Transactions on Information Theory， 2007， 53（12）： 4655⁃4666.
[7] NEEDELL D， TROPP J A.CoSaMP：iterative signal recovery from incomplete and inaccurate samples [J]. Appl. and Comp Harm. Analysis， 2009， 26（3）： 301⁃321.
[8] DAI W， MILENKOVIC O.Subspace pursuit for compressive Sensing signal reconstruction [J]. IEEE Trans. on Information Theory， 2009， 55（5）： 2230⁃2249.
[9] 孙传东，陈良益，高立民，等.水的光学特性及其对水下成像的影响[J].应用光学，2000，21（4）：39⁃46.
[10] 何炜.基于 Daubechies 小波的水下图像去噪方法研究[D].哈尔滨：哈尔滨工程大学，2006.。