CN105260992B - 基于鲁棒主成分分解和特征空间重构的交通图像去噪方法 - Google Patents
基于鲁棒主成分分解和特征空间重构的交通图像去噪方法 Download PDFInfo
- Publication number
- CN105260992B CN105260992B CN201510648765.0A CN201510648765A CN105260992B CN 105260992 B CN105260992 B CN 105260992B CN 201510648765 A CN201510648765 A CN 201510648765A CN 105260992 B CN105260992 B CN 105260992B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- matrix
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 30
- 238000001914 filtration Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明属于交通图像去噪技术领域,尤其涉及一种基于鲁棒主成分分解和特征空间重构的交通图像去噪算法,包括:用同一监控摄像头拍摄的交通图像来构建训练样本库,通过鲁棒主成分分解技术将训练样本库中的样本图像分解为包含道路场景的背景图像与包含行驶车辆的前景图像;对于训练样本库中每个样本图像的道路场景的背景图像通过奇异值分解技术来构建得到道路场景图像的特征空间矩阵和无噪特征投影系数矩阵;对于有噪声的道路交通图像通过鲁棒主成分分解得到包含道路场景的噪声背景图像,并对其进行奇异值分解得到其有噪特征投影系数矩阵;通过无噪特征投影系数矩阵和有噪特征投影系数矩阵对图像进行重建,从而在去除噪声的同时保留道路场景信息。
Description
技术领域
本发明属于交通图像去噪技术领域,尤其涉及一种基于鲁棒主成分分解和特征空间重构的交通图像去噪方法。
背景技术
随着电子信息技术和计算机技术的不断发展,智能交通***的各方面技术也随之不断进步。交通信息获取的途径越来越多,传统的有感应线圈检测器、超声波传感器、红外传感器等。近年来基于道路监控摄像头的视频图像应用越来越广,其对于交通情况的监管规划也更加有效。而道路监控视频在采集与传输的过程中往往会受到噪声的干扰,从而降低监控图像的质量,这对于基于视觉的道路监控摄像应用具有较大影响,为了保证监控视频的可视度和可靠性,找到一种可行的去噪方法,对道路交通图像进行增强处理具有重要意义。
目前针对交通图像进行去噪处理的技术十分有限,经典的去噪算法有空间域滤波和变换域滤波两大类。空间域的滤波技术,如均值滤波和中值滤波,是基于掩模对图像进行平滑处理,在滤除噪声的同时会使图像模糊,且会在去噪图像中带来块效应;变换域的滤波技术,如傅里叶变换和小波变换,首先对图像进行变换,然后在变换域中通过舍弃较小的变换系数对图像进行去噪,在滤除噪声的同时也会丢失高频细节信息,降低去噪图像的质量。
而同一监控摄像头拍摄的交通图像具有相同的道路场景信息,不同的只是其中行驶的车辆,传统的去噪算法并没有利用其提供的先验知识。奇异值分解技术可以将图像分解为表征图像特征的特征空间矩阵与投影系数矩阵的乘积,如果直接舍弃较小的投影系数,在去噪图像中也会带来信息的丢失与图像模糊。
发明内容
针对现有交通图像去噪的不足,本发明提出了一种基于鲁棒主成分分解和特征空间重构的交通图像去噪方法,包括:
步骤1、用同一监控摄像头拍摄的交通图像来构建训练样本库,通过鲁棒主成分分解技术将训练样本库中的样本图像分解为包含道路场景的背景图像与包含行驶车辆的前景图像;
步骤2、对于训练样本库中每个样本图像的道路场景的背景图像通过奇异值分解技术来构建得到道路场景图像的特征空间矩阵和无噪特征投影系数矩阵;
步骤3、对于有噪声的道路交通图像通过鲁棒主成分分解得到包含道路场景的噪声背景图像,并对其进行奇异值分解得到其有噪特征投影系数矩阵;
步骤4、通过训练样本图像构建的无噪特征投影系数矩阵和噪声背景图像的有噪特征投影系数矩阵对图像进行重建,从而在去除噪声的同时保留道路场景信息。
所述步骤1中通过鲁棒主成分分解技术将训练样本库中的样本图像分解的表达式如下:
min(rank(L)+λ||S||0),s.t.I=L+S
lij∈(0,255),sij∈(0,255)
其中,rank(L)是矩阵L的秩,λ是稀疏度和低秩性之间的调节系数,||S||0是矩阵S的零范数,为矩阵S中非零元素的个数,lij和sij分别是矩阵L和S中的元素,其取值受图像灰度范围的约束;所表达的含义为:将样本图像的矩阵I分解为低秩的矩阵L和稀疏的矩阵S,二者分别对应包含道路场景的背景图像与包含行驶车辆的前景图像。
所述步骤2中通过奇异值分解技术来构建得到道路场景图像的无噪特征投影系数矩阵的表达式如下:
Ik=UkSkVk
Sk=diag(λk,1,λk,2,……,λk,i)
Uk=(uk,1,uk,2,……uk,m)
Vk=(vk,1,vk,2,……vk,n)
其中,Ik是表征训练样本库中第k个样本图像,Uk和Vk是表征道路场景的无噪特征空间矩阵,Sk是训练样本投影系数矩阵,它是一对角阵,对角线上的元素为奇异值,表征着输入图像在特征空间中的投影系数,其中,λk,i,uk,m,vk,n分别表示训练样本投影系数矩阵分解后的特征值、无噪特征空间矩阵的正交向量、无噪特征空间矩阵的正交向量的转置。
所述步骤3中进行奇异值分解的表达式为:
Iny=UnySnyVny
Sny=diag(λny,1,λny,2,……,λny,i)
Uny=(uny,1,uny,2,…,uny,m)
Vny=(vny,1,vny,2,…,vny,n)
其中,Iny是表征噪声背景图像投影后的各分量的大小,Sny是噪声背景图像的投影系数矩阵,有噪特征空间矩阵Uny和Vny表征着图像特征信息,λny,i,uny,m,vny,n分别表示噪声背景图像的投影系数矩阵的对角线值、有噪特征空间矩阵的正交向量、有噪特征空间矩阵的正交向量的转置。
所述步骤4具体包括:
步骤401、计算噪声背景图像的投影系数矩阵与每个训练样本投影系数矩阵的距离:
步骤402、通过距离Dk度量噪声图像与各样本间的相关性,距离越小,相关性越大,则在构建无噪特征空间时该样本对应的加权系数越大,即加权系数与Dk为反比关系:
其中ck是第k个样本的加权系数,N是训练样本的个数,求得:
步骤403、通过各训练样本的特征空间加权构建输入噪声图像的无噪特征空间:
步骤404、通过无噪特征空间Uz和Vz与噪声背景图像的投影系数矩阵Sny对图像进行重建去噪:
Idn是表征有噪声的道路交通图像重建后各分量的大小。
本发明的有益效果在于:
1.本发明的方法能够将交通图像中的道路场景和行驶车辆分离,提取出道路场景信息(见附图1);
2.本发明的方法利用相同道路场景提供的先验信息,有效去除道路交通图像中的噪声,同时保留其中的有用信息,弥补传统去噪方法带来的图像模糊和信息丢失等的不足,取得更高的输出信噪比(见附图2)和更好的视觉效果(见附图3)。
附图说明
图1是本发明算法的基本流程图;
图2a~2d分别是本发明中用同一监控摄像头拍摄的交通图像来构建的训练样本库;
图3a~3d分别是通过鲁棒主成分分解将训练样本库中的样本图像分解得到的包含道路场景的背景图像;
图4a~4d分别是通过鲁棒主成分分解将训练样本库中的样本图像分解得到的包含行驶车辆的前景图像;
图5是本发明方法与均值滤波算法、小波变换算法、传统奇异值分解算法的去噪峰值信噪比曲线图;
图6a~6e依次分别是有噪声的道路交通图像、均值滤波算法得到的去噪交通图像、小波变换算法得到的去噪交通图像、传统奇异值分解算法得到的去噪交通图像和本发明算法得到的去噪交通图像;
图7a~7e依次分别是有噪声的道路交通图像、均值滤波算法得到的去噪交通图像、小波变换算法得到的去噪交通图像、传统奇异值分解算法得到的去噪交通图像和本发明算法得到的去噪交通图像。
具体实施方式
下面结合附图,对实施例作详细说明。
本发明方法的具体实施分为训练阶段和测试阶段。如图1所示,
首先是训练阶段,其步骤如下:
1.利用道路监控摄像头采集的历史数据,选取100帧交通图像构建训练库;
2.基于鲁棒主成分分解的低秩性和稀疏性约束,将样本分解为包含道路场景的背景图像与包含行驶车辆的前景图像,背景图像中相同的道路场景可以提供丰富的先验知识;
3.通过奇异值分解得到每个训练样本的特征空间矩阵和投影系数矩阵。
对于测试阶段,其步骤如下:
1.通过鲁棒主成分分解技术从受到噪声污染的道路交通图像中提取有噪的道路场景图像;
2.道路场景图像通过奇异值分解得到噪声图像的投影系数矩阵;
3.计算噪声图像的投影系数与各训练样本投影系数的距离;
4.加权构建基于训练样本的无噪特征空间,加权系数与距离成反比,距离越大,加权系数越小;
5.通过无噪特征空间和噪声图像的投影系数矩阵对图像进行重建去噪。
附图2~4反映了本发明方法通过鲁棒主成分分解对道路交通图像前景和背景的分离。其中,图2a~2d是同一监控探头获得的交通图像,图3a~3d是包含道路场景的背景图像,图4a~4d是包含行驶车辆的前景图像。由图可见本发明方法能够将交通图像中的道路场景和行驶车辆分离,提取出道路场景信息。
在本发明中,我们对带有噪声的交通图像进行去噪,并与均值滤波算法、小波变换算法和传统的奇异值分解算法进行对比,分析算法去噪性能。
我们采用峰值信噪比(Peak Signal to Noise Ratio,PSNR)作为对算法进行定量评价的指标。信噪比越高,算法去噪性能越好。
附图5反映了均值滤波算法、小波变换算法、传统奇异值分解算法和本发明算法的峰值信噪比曲线。横坐标是噪声功率,纵坐标是去噪图像的峰值信噪比。由图可见本发明算法具有更高的输出信噪比,具有更好的去噪性能。
附图6~7反映了均值滤波算法、小波变换算法、传统奇异值分解算法和本发明算法得到的去噪交通图像。其中图6a和7a是噪声图像,图6b~6e以及图7b~7e分别是均值滤波、小波变换、奇异值分解和本发明方法得到的去噪图像。本发明方法利用了训练库提供的先验知识,具有更好的去噪效果。由图6~7可见,本发明算法得到的去噪图像能够更加有效地去除噪声,同时保留有用信息,减少图像的模糊与信息的丢失,取得更好的视觉效果。
本发明基于相同的道路场景提供的先验信息,构建训练集,首先通过鲁棒主成分分解技术将交通图像分解为包含道路场景的背景图像与包含行驶车辆的前景图像;然后通过奇异值分解技术得到道路场景图像的特征空间,通过训练样本构建的特征空间对噪声图像进行重建,从而在去除噪声的同时更好地保留道路场景等有用信息。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于鲁棒主成分分解和特征空间重构的交通图像去噪方法,其特征在于,包括:
步骤1、用同一监控摄像头拍摄的交通图像来构建训练样本库,通过鲁棒主成分分解技术将训练样本库中的样本图像分解为包含道路场景的背景图像与包含行驶车辆的前景图像;
步骤2、对于训练样本库中每个样本图像的道路场景的背景图像通过奇异值分解技术来构建得到道路场景图像的特征空间矩阵和无噪特征投影系数矩阵;
步骤3、对于有噪声的道路交通图像通过鲁棒主成分分解得到包含道路场景的噪声背景图像,并对包含道路场景的噪声背景图像进行奇异值分解得到其有噪特征投影系数矩阵;
步骤4、通过训练样本图像构建的无噪特征投影系数矩阵和噪声背景图像的有噪特征投影系数矩阵对有噪声的道路交通图像进行重建,从而在去除噪声的同时保留道路场景信息。
2.根据权利要求1所述方法,其特征在于,所述步骤1中通过鲁棒主成分分解技术将训练样本库中的样本图像分解的表达式如下:
min(rank(L)+λ||S||0),s.t.I=L+S
lij∈(0,255),sij∈(0,255)
其中,rank(L)是矩阵L的秩,λ是稀疏度和低秩性之间的调节系数,||S||0是矩阵S的零范数,为矩阵S中非零元素的个数,lij和sij分别是矩阵L和S中的元素,元素取值受图像灰度范围的约束;表达式所表达的含义为:将样本图像的矩阵I分解为低秩的矩阵L和稀疏的矩阵S,二者分别对应包含道路场景的背景图像与包含行驶车辆的前景图像。
3.根据权利要求1所述方法,其特征在于,所述步骤2中通过奇异值分解技术来构建得到道路场景图像的无噪特征投影系数矩阵的表达式如下:
Ik=UkSkVk
Sk=diag(λk,1,λk,2,……,λk,i)
Uk=(uk,1,uk,2,……uk,m)
Vk=(vk,1,vk,2,……vk,n)
其中,Ik是表征训练样本库中第k个样本图像,Uk和Vk是表征道路场景的无噪特征空间矩阵,Sk是训练样本投影系数矩阵,Sk是一对角阵,对角线上的元素为奇异值,表征着输入图像在特征空间中的投影系数,其中,λk,i,uk,m,vk,n分别表示训练样本投影系数矩阵分解后的特征值、无噪特征空间矩阵的正交向量、无噪特征空间矩阵的正交向量的转置。
4.根据权利要求1所述方法,其特征在于,所述步骤3中进行奇异值分解的表达式为:
Iny=UnySnyVny
Sny=diag(λny,1,λny,2,……,λny,i)
Uny=(uny,1,uny,2,…,uny,m)
Vny=(vny,1,vny,2,…,vny,n)
其中,Iny是表征噪声背景图像投影后的各分量的大小,Sny是噪声背景图像的投影系数矩阵,有噪特征空间矩阵Uny和Vny表征着图像特征信息,λny,i,uny,m,vny,n分别表示噪声背景图像的投影系数矩阵的对角线值、有噪特征空间矩阵的正交向量、有噪特征空间矩阵的正交向量的转置。
5.根据权利要求1所述方法,其特征在于,所述步骤4具体包括:
步骤401、计算噪声背景图像的投影系数矩阵与每个训练样本投影系数矩阵的距离:
<mrow>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
步骤402、通过距离Dk度量噪声图像与各样本间的相关性,距离越小,相关性越大,则在构建无噪特征空间时各样本对应的加权系数越大,即加权系数与Dk为反比关系:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mi>&infin;</mi>
<mfrac>
<mn>1</mn>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</munder>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>...</mo>
<mi>N</mi>
</mrow>
其中ck是第k个样本的加权系数,N是训练样本的个数,求得:
<mrow>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
</mfrac>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
</mfrac>
</mrow>
步骤403、通过各训练样本的特征空间加权构建输入噪声图像的无噪特征空间:
<mrow>
<msub>
<mi>U</mi>
<mi>z</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
</mfrac>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mi>z</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
</mfrac>
<msub>
<mi>V</mi>
<mi>k</mi>
</msub>
</mrow>
步骤404、通过无噪特征空间Uz和Vz与噪声背景图像的投影系数矩阵Sny对图像进行重建去噪:
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>d</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mi>z</mi>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
</mrow>
</msub>
<msub>
<mi>V</mi>
<mi>z</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<msub>
<mi>V</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,Uk和Vk是表征道路场景的无噪特征空间矩阵,Sk是训练样本投影系数矩阵,Sny是噪声背景图像的投影系数矩阵,Idn是表征有噪声的道路交通图像重建后各分量的大小,λk,i,λny,i分别表示训练样本投影系数矩阵分解后的特征值和噪声背景图像的投影系数矩阵的对角线值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510648765.0A CN105260992B (zh) | 2015-10-09 | 2015-10-09 | 基于鲁棒主成分分解和特征空间重构的交通图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510648765.0A CN105260992B (zh) | 2015-10-09 | 2015-10-09 | 基于鲁棒主成分分解和特征空间重构的交通图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260992A CN105260992A (zh) | 2016-01-20 |
CN105260992B true CN105260992B (zh) | 2018-04-17 |
Family
ID=55100667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510648765.0A Active CN105260992B (zh) | 2015-10-09 | 2015-10-09 | 基于鲁棒主成分分解和特征空间重构的交通图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260992B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549065B (zh) * | 2018-07-25 | 2021-06-04 | 电子科技大学 | 一种近邻结构保持真假目标rcs序列特征提取方法 |
CN111915547A (zh) * | 2019-05-07 | 2020-11-10 | 北京创原天地科技有限公司 | 一种快速提取图像中的噪声点的方法 |
CN114070960A (zh) * | 2021-12-28 | 2022-02-18 | 苏州工业园区智在天下科技有限公司 | 用于视频的降噪方法及其装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208097A (zh) * | 2013-01-29 | 2013-07-17 | 南京理工大学 | 图像多方向形态结构分组的主分量分析协同滤波方法 |
CN104376533A (zh) * | 2014-09-18 | 2015-02-25 | 合肥工业大学 | 一种基于正则化主成分追踪的图像去噪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130335528A1 (en) * | 2012-05-15 | 2013-12-19 | Board Of Regents Of The University Of Texas System | Imaging device capable of producing three dimensional representations and methods of use |
US9247139B2 (en) * | 2013-11-13 | 2016-01-26 | Mitsubishi Electric Research Laboratories, Inc. | Method for video background subtraction using factorized matrix completion |
-
2015
- 2015-10-09 CN CN201510648765.0A patent/CN105260992B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208097A (zh) * | 2013-01-29 | 2013-07-17 | 南京理工大学 | 图像多方向形态结构分组的主分量分析协同滤波方法 |
CN104376533A (zh) * | 2014-09-18 | 2015-02-25 | 合肥工业大学 | 一种基于正则化主成分追踪的图像去噪方法 |
Non-Patent Citations (5)
Title |
---|
An Efficient Method for Blocky and Scratch Noise Removal;Xiaolong Ma 等;《2013 IEEE 17th International Symposium on Consumer Electronics (ISCE)》;20130603;第173-174页 * |
Application of RPCA in optical coherence tomography for speckle noise reduction;F Luan 等;《LASER PHYSICS LETTERS》;20130124;第1-5页 * |
基于噪点检测与邻域权值内插的彩色人脸图像去噪;谢旭东 等;《清华大学学报(自然科学版)》;20140430;第54卷(第4期);第536-539、545页 * |
基于核主成分分析的图像去噪;贾亚琼;《科学技术与工程》;20091031;第9卷(第19期);第5667-5671页 * |
基于结构信息的RPCA图像去噪;郑秀清 等;《计算机科学》;20140831;第41卷(第8期);第301-305页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105260992A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504222A (zh) | 一种基于仿生视觉机理的水下偏振图像融合*** | |
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN107657217A (zh) | 基于运动目标检测的红外与可见光视频的融合方法 | |
CN107680116B (zh) | 一种监测视频图像中运动目标的方法 | |
Moorthy et al. | Efficient motion weighted spatio-temporal video SSIM index | |
CN110443761B (zh) | 一种基于多尺度聚合特征的单幅图像去雨方法 | |
CN103077506B (zh) | 结合局部和非局部的自适应图像去噪方法 | |
CN104463808B (zh) | 基于空间相关性的高光谱数据降噪方法及*** | |
CN105046664A (zh) | 一种基于自适应epll算法的图像去噪方法 | |
CN105260992B (zh) | 基于鲁棒主成分分解和特征空间重构的交通图像去噪方法 | |
CN104754340A (zh) | 一种无人机侦察图像压缩方法 | |
CN105160647A (zh) | 一种全色多光谱影像融合方法 | |
CN103093432B (zh) | 基于极化分解和图像块相似性的极化sar图像降斑方法 | |
CN105741333A (zh) | 一种Video-SAR图像实时压缩重构方法 | |
CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
CN103310414B (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
CN100465661C (zh) | 超复数主元加权的多光谱和全色图像融合方法 | |
CN105976334A (zh) | 一种三维滤波去噪算法的去噪处理***及方法 | |
CN107341449A (zh) | 一种基于云块特征变化的静止气象卫星降水估算方法 | |
CN107239757A (zh) | 一种基于深度阶梯网的极化sar影像目标检测方法 | |
CN107886751B (zh) | 一种车载终端实时路况预警*** | |
Thriveni | Edge preserving Satellite image enhancement using DWT-PCA based fusion and morphological gradient | |
CN108573509A (zh) | 基于测量域显著检测模型的自适应压缩感知图像编码方法 | |
CN108376396B (zh) | 基于图像的高效pm2.5浓度预测方法 | |
CN105931184A (zh) | 基于联合优化的sar图像超分辨率方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |