Resumen

En el procesamiento de la eliminación de ruido de las imágenes (IDN), la propiedad de bajo rango se considera normalmente como una importante prioridad de la imagen. Como aproximación de relajación convexa de bajo rango, los algoritmos basados en la norma nuclear y sus variantes han atraído una importante atención. Estos algoritmos pueden denominarse colectivamente métodos basados en el dominio de la imagen cuyo inconveniente común es el requisito de un gran número de iteraciones para obtener una solución aceptable. Mientras tanto, la dispersión de las imágenes en un determinado dominio de transformación también se ha explotado en los problemas de eliminación de ruido de las imágenes. Los algoritmos de aprendizaje de transformadas con sparsity pueden lograr cálculos extremadamente rápidos, así como un rendimiento deseable. Aprovechando las ventajas del dominio de la imagen y del dominio de la transformación en un marco general, proponemos un método de aprendizaje de transformadas disperso y de minimización de valores singulares ponderados (STLWSM) para problemas de IDN. El método propuesto puede hacer pleno uso de la preponderancia de ambos dominios. Para resolver la función de coste no convexa, también presentamos una solución alternativa eficiente para la aceleración. Los resultados experimentales muestran que el STLWSM propuesto consigue una mejora tanto visual como cuantitativa con un amplio margen sobre los enfoques del estado del arte basados en un único dominio alternativo. También necesita mucha menos iteración que todos los algoritmos de dominio de la imagen.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:sparsity de la imagen, número de iteración, métodos de minimización de valores, cierto dominio de la transformación, llamado dominio de la imagen, aproximación de relajación convexa, problema de denoising de la imagen, minimización del valor singular, aprendizaje de la transformación sparsifying, algoritmo de aprendizaje de la transformación
• Keywords:sparsity of image, number of iteration, value minimization methods, certain transform domain, called image domain, convex relaxation approximation, image denoising problem, singular value minimization, sparsifying transform learning, transform learning algorithm