[英]How to denoise an image using least square and regularization?
f = u + n:f是嘈杂的图像,u是所需的重构,n是噪声。
重建误差为|| uf || _2 ^ 2 + lambda * || gradient(u)|| _2 ^ 2
解决|| Ax-b || _2 ^ 2其中x是从f沿列方向向量化的向量。
以上是我的问题,我无法理解“解决|| Ax-b || _2 ^ 2”的含义。 什么是“ A”? 什么是“ b”? 如何获得“重建”?
我知道使用伪逆找到最小二乘的简单方法。 但是我只是调整了||Aθ-b|| ^ 2中找到θ的方式。
我不知道该怎么办。 所以我做了我该怎么办。
import matplotlib.pyplot as plt
import numpy as np
from scipy import signal
from skimage import io, color
from skimage import exposure
file_image = 'image.jpg'
im_color = io.imread(file_image)
im_gray = color.rgb2gray(im_color)
im = (im_gray - np.mean(im_gray)) / np.std(im_gray)
(row, col) = im.shape
noise_std = 0.2 # try with varying noise standard deviation
noise = np.random.normal(0, noise_std, (row, col))
im_noise = im + noise
我拍了一张嘈杂的图像。 而且我不知道下一步。
有谁能解释?
这看起来像是措辞不好的作业问题。 我在数学图像处理和逆问题方面有一定的背景,因此我为您重新编写了唯一有意义的方法。
令f是由关系f = u + n描述的嘈杂图像,其中u是无噪声图像, n是噪声。 目的是从n中恢复u 。 为此,我们引入以下功能
|| u-f ||² ,
等于u和f中所有像素之间的平方总和差,以测量u和f之间的相似度。 此外,我们引入以下功能来测量图像中的噪声量
|| Du ||² ,
其中Du(x,y)表示位置(x,y)处u的梯度的大小,以衡量图像中的噪声。 因此,用|| Du ||²表示所有像素中梯度的平方和。
下面的函数可以表示一种衡量我们对无噪声图像的重建程度的方法
|| u-f ||²+ || Du ||²
解决上述正则化最小二乘问题。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.