那么,什么是图像信号的稀疏性呢?本文中,图像特指自然图像(
natural
image
),并且是数字形式。
(1)形式上的稀疏性
数字图像的存储形式就是2维矩阵(灰度图像1个二维矩阵,彩色图像多个二维矩阵)。假设图像的尺寸是64x64的,每个像素点在0-255之间。那么这个图像的可能性有多少呢?256^(64x64),太大了吧?
但是,在这么多可能性里面,实际上被人所接受的认为是图像的,少之又少,只有非常少的一部分。
我想这个应该是图像稀疏性最直白的解释了。
(2)稀疏模型
图像的稀疏模型主要用来解释图像的稀疏性。
我们可以列举如下:
局部模型:
(1)马尔科夫随机场(MRF),把图像看成领域连接的系统。本质上是降维的过程。
(2)TV模型,图像是连续的,本质还是降维。
(3)自回归模型,本质还是降维
(4)频域模型,从基的角度来分析稀疏性。如DCT,小波,瘠波,。。。。
(5)字典模型
非局部模型
非局部模型就是图像满足一定的自相似性。其实概念早就有了,最近几年(2005),逐步升温。最著名的要数 BM3D 去噪算法了。主要用到了一个非常有效的概念,collaborative filtering,其实我们每天上网有要用它。
当然,非局部模型是一个双刃剑,结果可能是最好的,也可能是最差了。如何有效的使用,困扰着不少人。
(1)形式上的稀疏性
数字图像的存储形式就是2维矩阵(灰度图像1个二维矩阵,彩色图像多个二维矩阵)。假设图像的尺寸是64x64的,每个像素点在0-255之间。那么这个图像的可能性有多少呢?256^(64x64),太大了吧?
但是,在这么多可能性里面,实际上被人所接受的认为是图像的,少之又少,只有非常少的一部分。
我想这个应该是图像稀疏性最直白的解释了。
(2)稀疏模型
图像的稀疏模型主要用来解释图像的稀疏性。
我们可以列举如下:
局部模型:
(1)马尔科夫随机场(MRF),把图像看成领域连接的系统。本质上是降维的过程。
(2)TV模型,图像是连续的,本质还是降维。
(3)自回归模型,本质还是降维
(4)频域模型,从基的角度来分析稀疏性。如DCT,小波,瘠波,。。。。
(5)字典模型
非局部模型
非局部模型就是图像满足一定的自相似性。其实概念早就有了,最近几年(2005),逐步升温。最著名的要数 BM3D 去噪算法了。主要用到了一个非常有效的概念,collaborative filtering,其实我们每天上网有要用它。
当然,非局部模型是一个双刃剑,结果可能是最好的,也可能是最差了。如何有效的使用,困扰着不少人。