加权核范数(WNNM)最小化及其在图像去噪中的应用——学习笔记
前景提要
自然图像中非局部相似块形成的矩阵具有低秩性,可用于高性能的图像恢复任务。
图像非局部自相似性(NSS)的应用极大地提高了图像去噪性能。
NSS先验是指在自然图像中,对于给定的局部patch,可以在图像中找到许多与其相似的patches。
通过将非局部相似块向量叠加成一个矩阵,该矩阵应该是一个低秩矩阵,并且具有稀疏的奇异值。这一假设得到了Wang等人的验证。在[26]中,他们称之为非局部谱先验.。
低秩矩阵近似方法一般可分为两类:低秩矩阵分解(LRMF)方法和核范数最小化(NNM)方法。LRMF的目标是找到一个矩阵 X X X,它在一定的数据保真度函数下尽可能接近 Y Y Y,同时能够分解到两个低秩矩阵的乘积中,此方法是一个非凸优化问题。NNM的一个显著优点在于它是对具有一定数据保真度项的非凸LRMF问题是严格的凸松弛。
在之前的研究中已经证实大多数低秩矩阵可以通过求解NNM问题来完全恢复,且基于NNM的低秩矩阵逼近问题具有F范数保真度。即解决:
式中, λ λ λ为正常数,其最优解为:
Y = U Σ V T Y=U{\Sigma}V^T Y=UΣVT是 Y Y Y的奇异值分解, S λ ( Σ ) S_{\lambda}({\Sigma}) Sλ(Σ)带参数 λ λ λ的对角矩阵