本文介绍了奇异值分解（SVD）在图像去噪中的应用，包括对稀疏噪声和稠密噪声的处理。通过SVD对含噪矩阵进行分解，保留大奇异值，去除小奇异值以实现去噪。对于稀疏噪声，直接截断奇异值可有效消除噪音；而对于稠密噪声，基于低秩模型和回归的方法在提取信号图像时效果有限。文章还探讨了现有方法的局限性和改进方案。
注：本文是蔡乐衡同学对奇异值分解在图像去噪中应用的介绍
1 奇异值分解在图像去噪中的应用
将图像去噪问题用数学式一般化为：
其中信号矩阵为X，噪声为D，我们观测到的含噪矩阵记为Y。我们的目标是从观测到的含噪矩阵Y中恢复信号矩阵X。
基于奇异值分解的去噪技术属于子空间算法的一种，简单来说我们希望将含噪矩阵的向量空间分解为分别由纯净信号主导的和噪声信号主导的两个子空间，进而去除落在噪声空间中的含噪信号向量分量来估计纯净信号。
类似奇异值分解在图像压缩中的应用，一个非常普遍的办法是：首先将图像对应的像素矩阵进行奇异值分解，提取出其中较大的奇异值，我们认为这些奇异值代表了图像主要的信号部分；截断较小的奇异值，因为它们很可能代表了图像中某些噪声，再将提取出的奇异值与对应特征向量组合复原图像即可。
下图为本文所用示例的不含噪音的信号图像(大小为255*255的灰度图像)
2 稀疏的图像噪声
本文中的稀疏噪声表示在图像某些局部存在的小污点，我们通过在原始信号矩阵X中随机稀疏洒点，并在这些洒点位置处添加服从正态分布的随机扰动作为噪音D，即可得到包含稀疏噪声的观测图像Y：
图中的白色、黑色小点即为噪声。
我们直接对观测矩阵Y进行奇异值
最低0.47元/天 解锁文章
1298
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
