Image Denoising via Improved Simultaneous Sparse Coding with Laplacian Scale Mixture

摘要

图象降噪与稀少的编码有关仔细是一个学习得好的问题。注意到拉普拉斯算符分发有强壮的稀疏，我们使用拉普拉斯算符规模混合为稀少的系数建模。与一幅图象的优先的信息与稀少的系数的评价相关的观察，我们介绍优先的信息进最大值由概率密度函数的适当估计的稀少的系数的一个 posteriori (地图) 评价。延长到结构化的稀少，降噪模型的一幅非局部的图象：与拉普拉斯算符规模混合(ISSC-LSM ) 的改进同时的稀少的编码被建议。集中的预处理，承认稀少的系数的偏爱平均数并且节省昂贵的计算，第一被做。由轮流出现的最小化并且学习一本直角的 PCA 字典，有靠近形式的答案的一个有效算法被建议。当适用于噪音移动时，我们的建议 ISSC-LSM 罐头俘获组织了优先的信息导致高度有竞争力的降噪的图象的图象特征，和采纳性能。试验性的结果证明建议方法经常比另外的竞争途径提供更高主观、客观的质量。我们的方法对当维持质地和边时，由有效地压制不受欢迎的人工制品与丰富的自我重复的模式处理图象很合适。