[论文解读] A note on patch-based low-rank minimization for fast image denoising

Haijuan Hu, Jacques Froment+1 more|arXiv (Cornell University)|Jun 28, 2015

Image and Signal Denoising Methods参考文献 15被引用 3

一句话总结

本文提出一种快速的基于图像块的低秩最小化（PLR）方法用于图像去噪，该方法将相似的图像块聚类为相似性矩阵，并通过主成分分析（PCA）或奇异值分解（SVD）进行硬阈值处理，在单次遍历中完成去噪。该方法在保持纹理细节方面表现优异，去噪性能达到当前最优水平，同时相比K-SVD、BM3D和WNNM等迭代方法显著提升了运行速度。

ABSTRACT

Patch-based low-rank minimization for image processing attracts much attention in recent years. The minimization of the matrix rank coupled with the Frobenius norm data fidelity can be solved by the hard thresholding filter with principle component analysis (PCA) or singular value decomposition (SVD). Based on this idea, we propose a patch-based low-rank minimization method for image denoising. The main denoising process is stated in three equivalent way: PCA, SVD and low-rank minimization. Compared to recent patch-based sparse representation methods, experiments demonstrate that the proposed method is rather rapid, and it is effective for a variety of natural grayscale images and color images, especially for texture parts in images. Further improvements of this method are also given. In addition, due to the simplicity of this method, we could provide an explanation of the choice of the threshold parameter, estimation of PSNR values, and give other insights into this method.

研究动机与目标

• 开发一种计算高效的图像去噪方法，避免使用迭代优化。
• 通过将相似的图像块聚类为相似性矩阵，利用自然图像中的非局部自相似性。
• 与现有的稀疏表示和低秩方法相比，提升去噪性能，特别是在纹理丰富的区域。
• 通过单次处理流程实现高质量去噪，显著降低与迭代方法相比的运行时间。

提出的方法

• 将含噪图像划分为重叠的d×d图像块，并在每个参考块周围的n×n邻域内识别相似块。
• 通过将m个最相似的块（包括参考块）作为列向量堆叠，构建大小为d²×m的相似性矩阵。
• 利用主成分基（通过PCA）或左奇异向量（通过SVD）对相似性矩阵应用硬阈值滤波，以在Frobenius范数保真度下最小化秩。
• 假设相似性矩阵的块为零均值，以简化低秩逼近过程。
• 通过将去噪后的块平均回其原始位置，并采用对称边界处理方式，重建去噪图像。
• 每个相似性矩阵仅处理一次，避免迭代优化，从而实现高计算效率。

实验结果

研究问题

• RQ1 非迭代的基于图像块的低秩最小化方法是否能在显著降低计算成本的同时实现具有竞争力的去噪性能？
• RQ2 与K-SVD、BM3D和WNNM等最先进方法相比，所提出的PLR方法在PSNR和视觉质量方面表现如何？
• RQ3 与基于稀疏表示的方法相比，该方法在保留自然图像中的精细纹理和结构细节方面表现如何？
• RQ4 通过PCA/SVD实现的硬阈值处理能否为图像去噪中的低秩矩阵逼近问题提供一种有效且高效的解决方案？

主要发现

• 在σ=10时，所提出的PLR方法在Lena图像上达到35.90 dB的PSNR，在Barbara图像上达到35.50 dB，优于K-SVD、LPG-PCA和PLOW，并在多个情况下与BM3D和WNNM持平或超越。
• 在σ=20时，该方法在Lena图像上达到33.03 dB，在Barbara图像上达到32.12 dB，优于K-SVD、LPG-PCA和PLOW，并在关键指标上与BM3D和WNNM持平或超越。
• 该方法运行速度极快，256×256图像仅需2秒，显著优于K-SVD（210秒）、LPG-PCA（138秒）和WNNM（134秒）。
• 图1的视觉结果表明，PLR在Lena和Barbara图像中对纹理的保留优于BM3D、WNNM及其他方法，尤其在复杂区域表现更优。
• 该方法在多种图像（包括Peppers、House、Cameraman、Boats、Bridge和Lena）上表现稳健，PSNR和视觉保真度均保持一致提升。
• 通过PCA/SVD构建紧凑字典并采用单次遍历硬阈值处理，实现了高效率而不损失去噪质量，适用于实时应用。