• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Automatic Control and Dynamic Optimization Techniques >Nonlocal structured nonparametric Bayesian dictionary learning for image denoising
【24h】

Nonlocal structured nonparametric Bayesian dictionary learning for image denoising

机译：用于图像去噪的非局部结构化非参数贝叶斯字典学习

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this work, we propose a sparse Bayesian dictionary learning framework with structure prior which connects nonlocal self-similarity and sparse Bayesian dictionary learning. A Gamma-Gaussian prior is used to impose sparsity and a nonlocal beta process is utilized to introduce the nonlocal self-similarity as a structure prior for image denoising. Unlike most of the existing image denoising methods, our proposed method does not need to know noise variance in advance like an unsupervised learning. The experimental results demonstrate the effectiveness of our proposed model. It can be observed that the undesirable artifacts can be suppressed significantly and the structure of image can be preserved effectively.
机译：在这项工作中，我们提出了一个具有结构先验的稀疏贝叶斯字典学习框架，该框架将非局部自相似性和稀疏贝叶斯字典学习联系起来。伽马-高斯先验用于施加稀疏性，非局部beta过程用于引入非局部自相似性作为图像去噪的先验结构。与大多数现有的图像去噪方法不同，我们提出的方法不需要像无监督学习一样预先知道噪声方差。实验结果证明了我们提出的模型的有效性。可以观察到，可以显着地抑制不期望的伪像，并且可以有效地保留图像的结构。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号