Cross-boosting of WNNM Image Denoising method by Directional Wavelet Packets

要約

本論文では、方向性を持つ準解析ウェーブレットパケット（qWP）に基づく手法と、最新の加重核ノルム最小化（WNNM）ノイズ除去アルゴリズムを組み合わせた画像ノイズ除去方式を提案する。qWPベースのノイズ除去法（qWPdn）は、劣化画像のマルチスケールqWP変換、二変量収縮法を用いた変換係数への適応的局所ソフト閾値の適用、および複数の分解レベルからの閾値係数からの画像の復元から構成されています。この結合法は、qWPdnとWNNMアルゴリズムの数回の反復からなり、各反復において、一方のアルゴリズムからの出力が他方のアルゴリズムへの入力を押し上げるようにする。提案手法は、WNNMアルゴリズムに内在する実画像の非局所的な自己相似性を利用し、激しく破損した画像においてもエッジや微細なテクスチャパターンを捉えるqWPdnの能力を結合するものである。 提案手法をWNNMを含む6つの高度なノイズ除去アルゴリズムと比較した複数の実験により、組み合わせたクロスブーストアルゴリズムが定量的指標と視覚的知覚品質の両方の点でそれらのほとんどを上回ることが確認された。

要約(オリジナル)

The paper presents an image denoising scheme by combining a method that is based on directional quasi-analytic wavelet packets (qWPs) with the state-of-the-art Weighted Nuclear Norm Minimization (WNNM) denoising algorithm. The qWP-based denoising method (qWPdn) consists of multiscale qWP transform of the degraded image, application of adaptive localized soft thresholding to the transform coefficients using the Bivariate Shrinkage methodology, and restoration of the image from the thresholded coefficients from several decomposition levels. The combined method consists of several iterations of qWPdn and WNNM algorithms in a way that at each iteration the output from one algorithm boosts the input to the other. The proposed methodology couples the qWPdn capabilities to capture edges and fine texture patterns even in the severely corrupted images with utilizing the non-local self-similarity in real images that is inherent in the WNNM algorithm. Multiple experiments, which compared the proposed methodology with six advanced denoising algorithms, including WNNM, confirmed that the combined cross-boosting algorithm outperforms most of them in terms of both quantitative measure and visual perception quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL