[发明专利]一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法

说明书

本发明提供一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，包括：通过检测图像的像素幅度来探测椒盐噪声位置信息；将椒盐噪声污染的彩色图像作为缺失数据的张量和椒盐噪声张量的总和；利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建；本发明提供的方法通过检测处理图像的像素幅度来探测噪声位置信息，引入基于模型驱动的并行矩阵分解低秩张量重建算法和基于数据驱动的FFDNet去噪网络，去噪效果更优越。

技术领域

本发明涉及图像去噪领域，特别是指一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法。

背景技术

椒盐噪声是一种具有明显稀疏统计特性的噪声源。椒盐噪声中的“椒”噪声是指振幅为零的噪声点，通常由数据丢失引起。“盐”噪声是指具有冲击值的噪声点，通常由图像传输过程中的强冲击干扰引起。椒盐噪声去噪的目的是从退化的观测值中估计干净的图像。现有的椒盐去噪方法主要分为两类，即模型驱动方法和数据驱动方。虽然现有方法取得了良好的去噪性能，但存在以下两个主要限制。

1)在现有方法中，椒盐噪声的幅值(零或冲击值)通常被忽略。然而，该特征对于噪声定位很重要，也很易于识别。

2)现有的方法往往将彩色图像视为从RGB信道中提取的三个相互独立的矩阵，从而忽略了信道间信号的相似性。

现有的方案没有能够很好地解决上述两种限制。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，首先通过检测处理图像的像素幅度来探测噪声位置信息，引入基于模型驱动的并行矩阵分解低秩张量重建算法和基于数据驱动的FFDNet去噪网络，去噪效果更优越。

本发明采用如下技术方案：

一种基于张量低秩先验与隐式正则技术彩图椒盐去噪方法，包括：

通过检测图像的像素幅度来探测椒盐噪声位置信息；

将椒盐噪声污染的彩色图像作为缺失数据的张量和椒盐噪声张量的总和；

利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建。

具体地，利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建，具体包括模型：

其中，μ是正则化参数，用于平衡低秩模型驱动和FFDnet去噪网络实现的正则化项；为数据驱动项，是重建的低秩张量，是观测张量，Ω是与观察到的条目相对应的索引集，是一个投影函数，将中的数据保持在Ω上，X_n和Y_n分别表示TMac因子矩阵，R_(n)为展开模式。

具体地，利用基于模型驱动的并行矩阵分解低秩张量重建算法结合基于数据驱动的FFDNet去噪网络对缺失数据的张量进行重建，还包括基于模型驱动的并行矩阵分解低秩张量进行低秩张量重建，具体包括：

其中是重建的低秩张量，是观测张量，Ω是与观察到的条目相对应的索引集，是一个投影函数，它将中的数据保持在Ω上；

其中，X_n和Y_n分别表示TMac因子矩阵，R_(n)为展开模式，展开的张量为

具体地，模型求解为：

其中，是学习率，i表示迭代次数，n表示展开的模式序号；