图像去噪资源推荐 初步

图像去噪问题是图像处理领域内的一个很经典的应用,围绕这一问题,提出了很多方法。我是蜻蜓点水,遇到啥简单看看,发现有几个资源还是值得分享的:


1.埃尔朗根-纽伦堡大学CS系的一个有关image denoising方法的总结(不损全面)但是 围绕的都是比较经典的算法。还提供了测试算法的算法(念着真拗口),相应的一些noised数据 值得一看

https://www5.cs.fau.de/research/software/idaa/

其中有关各向异性个各向同性的应用 值得仔细看看 做PDE的经典例子

有文章推荐 有代码指南 满足你对 image denoising经典算法的各种幻想偷笑感谢下这个site的主人 https://www5.cs.fau.de/our-team/mayer-markus/


2.对图像噪声类型的一个一般化的简介 依旧推荐wiki

http://en.wikipedia.org/wiki/Image_noise

不是每个wiki 的词条版本都有中文版的 即使有 中英文内容可能也有所差别 英文版会讲得更详细一点


3.image denoising方法的总结 提供了研究思路

A REVIEW OF IMAGE DENOISING ALGORITHMS, WITH A NEW ONE(推荐精读)

http://ivm.sjtu.edu.cn/files/dip/pro1/NL2.pdf

A Comparison of Some State of the Art Image Denoising Methods(没看过 )

http://users.soe.ucsc.edu/~milanfar/publications/conf/Asilomar2007_2.pdf


4.几篇不算是太典型的denoising 文献

3.1 

5月初刷G+看到的 Weighted Nuclear Norm Minimization with Application to Image Denoising

http://nuit-blanche.blogspot.fr/2014/05/wnnm-weighted-nuclear-norm-minimization.html  

香港理工大学Lei Zhang 团队的成果,优化领域内的Low rank matrix approximation 算是比较中规中矩

Leizhang 的主页 http://www4.comp.polyu.edu.hk/~cslzhang/文献还是比较丰富的

3.2 

还是Lei Zhang的 算是local 方法

Two-stage Image Denoising by Principal Component Analysis with Local Pixel Grouping 

http://www4.comp.polyu.edu.hk/~cslzhang/LPG-PCA-denoising.htm

3.3 non-local方法

Poisson Non-Local PCA

http://josephsalmon.eu/code/index_codes.php?page=PatchPCA_denoising

关于代码的使用

http://josephsalmon.eu/code/index_codes.php?page=NLPCA

3.4 基于Dictionary Learning的方法

今天师妹讨论班的topic

Hui Ji 老师团队 Hui Ji老师人还是很幽默的

Fast sparsity-based orthogonal dictionary learning for image restoration

http://222.26.160.148/videoplayer/ICCV_2013_spca.pdf?ich_u_r_i=b86bc2e9c146a7ad8199417f15ee88d4&ich_s_t_a_r_t=0&ich_e_n_d=0&ich_k_e_y=1445128911751363412486&ich_t_y_p_e=1&ich_d_i_s_k_i_d=2&ich_u_n_i_t=1

3.5 看完这个 突然想到了这样一个名目 

From Heuristic Optimization to Dictionary Learning: A Review and Comprehensive Comparison of Image Denoising Algorithms

ACM的链接 就不提供网址了

的确 有了神经网络 从不断试错到自动学习 不能不说是一种进步



这些算是我初步接触到 值得一读 并有代码可供参考的资源 就这些 可能很片面  希望有人补充.

猜你喜欢

转载自blog.csdn.net/liu6tot/article/details/41875433