matlabe基于残差学习的图像去噪_《利用组稀疏残差约束进行图像去噪》

题目：《利用组稀疏残差约束进行图像去噪》

来源：Zha Z, Liu X, Zhou Z, et al. Image denoising via group sparsity residual constraint[C]. 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2017: 1787-1791.

作者：Zhiyuan Zha1,3, Xin Liu2, Ziheng Zhou2, Xiaohua Huang2, Jingang Shi2, Zhenhong Shang3, Lan Tang1, Yechao Bai1, Qiong Wang1, Xinggan Zhang1,3

作者单位：1 南京大学电子科学与工程学院；2 机器视觉和信号分析中心，芬兰奥卢大学；3 昆明理工大学信息工程与自动化学院

1.摘要

组稀疏残差在各种图像复原任务中显示出巨大的潜力，对此本文作者提出了一种通过组稀疏残差约束进行图像去噪的先验模型。为了提高组稀疏图像的去噪性能，提出了组稀疏残差的概念，将图像去噪问题转化为降低组稀疏残差的问题。为了能够减少残差，本文作者首先通过对含噪图像进行估计来获得对原始图像的组稀疏系数的一些好的估计，然后将噪声图像的组稀疏系数集中到估计中。实验结果表明，本文算法的去噪结果不仅优于已有的BM3D、WNNM等图像处理算法，而且具有更高的效率。

2. 组稀疏残差约束建模

2.1 基于组稀疏表示

最近的研究表明[1-3]，结构稀疏、组稀疏表示在图像去噪任务中能够获得更好地性能。具体地，对于一幅图像

被分割成

个尺寸为

的图像块

，

。这时，对于每个样本块

，在大小为

的窗口中寻找

个相似块生成一个组

，定义为