Mehrkanalige gewichtete Nuklearnormminimierung für die Entstörung von Farbbildern

Die meisten existierenden Entrauschungsalgorithmen wurden für Graustufenbilder entwickelt. Die Erweiterung dieser Algorithmen auf die Entrauschung von Farbbildern ist jedoch nicht trivial, da die Rauschstatistiken in den R-, G- und B-Kanälen bei realen rauschigen Bildern sehr unterschiedlich sein können. In diesem Artikel schlagen wir ein mehrkanaliges (MC) Optimierungsmodell für die Entrauschung von realen Farbbildern vor, das im Rahmen der gewichteten nuklearen Normminimierung (WNNM) arbeitet. Wir verketten die RGB-Patches, um die Kanalredundanz zu nutzen, und führen eine Gewichtsmatrix ein, um die Datenübereinstimmung der drei Kanäle unter Berücksichtigung ihrer unterschiedlichen Rauschstatistiken auszugleichen. Das vorgeschlagene MC-WNNM-Modell besitzt keine analytische Lösung. Wir reformulieren es als lineares Gleichheitsnebenbedingungsproblem und lösen es mit der Methode der multiplikativen Alternierung von Lagrange-Multiplikatoren. Jeder alternierende Aktualisierungsschritt hat eine geschlossene Formlösung und die Konvergenz kann garantiert werden. Ausführliche Experimente sowohl mit synthetischen als auch mit realen rauschigen Bilderdaten bestätigen die Überlegenheit des vorgeschlagenen MC-WNNM gegenüber den neuesten Entrauschungsverfahren.请注意，这里有一个小错误：在最后一句中，“multiplikativen Alternierung von Lagrange-Multiplikatoren” 应该改为 “alternierenden Richtungen der Multiplikatoren” 以正确反映“交替方向乘子法”的德语表述。因此，正确的翻译应该是：Die meisten existierenden Entrauschungsalgorithmen wurden für Graustufenbilder entwickelt. Die Erweiterung dieser Algorithmen auf die Entrauschung von Farbbildern ist jedoch nicht trivial, da die Rauschstatistiken in den R-, G- und B-Kanälen bei realen rauschigen Bildern sehr unterschiedlich sein können. In diesem Artikel schlagen wir ein mehrkanaliges (MC) Optimierungsmodell für die Entrauschung von realen Farbbildern vor, das im Rahmen der gewichteten nuklearen Normminimierung (WNNM) arbeitet. Wir verketten die RGB-Patches, um die Kanalredundanz zu nutzen, und führen eine Gewichtsmatrix ein, um die Datenübereinstimmung der drei Kanäle unter Berücksichtigung ihrer unterschiedlichen Rauschstatistiken auszugleichen. Das vorgeschlagene MC-WNNM-Modell besitzt keine analytische Lösung. Wir reformulieren es als lineares Gleichheitsnebenbedingungsproblem und lösen es mit der Methode der alternierenden Richtungen der Multiplikatoren (ADMM). Jeder alternierende Aktualisierungsschritt hat eine geschlossene Formlösung und die Konvergenz kann garantiert werden. Ausführliche Experimente sowohl mit synthetischen als auch mit realen rauschigen Bilderdaten bestätigen die Überlegenheit des vorgeschlagenen MC-WNNM gegenüber den neuesten Entrauschungsverfahren.