基于l1/2范数正则化的图像重建方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (18): 173-178.

基于l_1/2范数正则化的图像重建方法

查志远，刘辉，尚振宏，李润鑫

昆明理工大学信息工程与自动化学院计算机系，昆明 650500

出版日期:2016-09-15 发布日期:2016-09-14

Image reconstruction method based on l12 norm regularization

ZHA Zhiyuan, LIU Hui, SHANG Zhenhong, LI Runxin

Department of Computer, School of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China

Online:2016-09-15 Published:2016-09-14

摘要/Abstract

摘要： 为了利用[l1]范数保持图像边缘信息的优势，并兼顾[l2]范数对图像平坦区域噪声抑制的特性，提出了一种自适应范数混合模型——[l12]范数正则化方法。相比于经典的[l1]范数正则化方法，该方法能够得到更加稀疏的解，同时相比于传统去噪方法，该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化，设计了一种自适应收敛准则迭代方法，该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。

关键词: 图像重建, 自适应范数混合模型, 正则化, [l12]范数, 自适应收敛准则

Abstract: The purpose of keeping image edge preservation by [l1]norm, while suppressing noise by [l1]norm in the field of smooth, an adaptive norm mix model——[l12]norm regularization method is proposed. Compared with traditional [l1]norm regularization method, this method can get much sparse solution and has an ideal effect on removing the heavy-tail distribution noise. In addition, due to noise distribution will adaptively change, an adaptive convergence rule is proposed, which can effectively decrease the iteration numbers. Experimental results and analysis show that the proposed method can get the ideal restoration result and ?computational efficiency effectively.

Key words: image restoration, adaptive norm mix model, regularization, [l12] norm, adaptive convergence rule

查志远，刘辉，尚振宏，李润鑫. 基于l_1/2范数正则化的图像重建方法[J]. 计算机工程与应用, 2016, 52(18): 173-178.

ZHA Zhiyuan, LIU Hui, SHANG Zhenhong, LI Runxin. Image reconstruction method based on l12 norm regularization[J]. Computer Engineering and Applications, 2016, 52(18): 173-178.

[1]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[2]	张飞翔，余学儒，何卫锋，李琛. 结合改进的损失函数与多重范数的人脸识别[J]. 计算机工程与应用, 2020, 56(24): 144-150.
[3]	刘家骥，包崇明，周丽华，王崇云，孔兵. 图正则化非负矩阵分解的异质网社区发现[J]. 计算机工程与应用, 2020, 56(21): 131-138.
[4]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[5]	刘春玲，张黎. 改进非对称相似度和关联正则化的推荐算法[J]. 计算机工程与应用, 2020, 56(16): 45-49.
[6]	王冲，尚晓清. 基于多字典的单幅图像超分辨率重建[J]. 计算机工程与应用, 2019, 55(5): 197-202.
[7]	汪叶娇，周勇. 新形式勒让德矩的研究[J]. 计算机工程与应用, 2019, 55(22): 152-162.
[8]	张晓婷，何朗，黄樟灿，谈庆. 基于MFR-GEP的高阶常微分方程预测模型[J]. 计算机工程与应用, 2019, 55(21): 247-253.
[9]	徐霜1，余琍2. 利用正则化矩阵分解技术的多视图聚类方法[J]. 计算机工程与应用, 2019, 55(14): 142-147.
[10]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[11]	孙佳美，吴成茂. 正则化图形模糊聚类及鲁棒分割算法[J]. 计算机工程与应用, 2019, 55(11): 179-186.
[12]	曾有灵，陈耿铎，熊威，李喆. 基于Spark的CT图像FBP重建算法程序并行设计[J]. 计算机工程与应用, 2019, 55(10): 218-224.
[13]	张伟，许爱强. 集成散度的MKL模型在模拟电路诊断中的应用[J]. 计算机工程与应用, 2018, 54(9): 5-12.
[14]	曹再辉1，2，吴庆涛1，2，施进发2，3. 基于低秩和图拉普拉斯的属性选择算法[J]. 计算机工程与应用, 2018, 54(17): 110-115.
[15]	黄吉庆，王丽会，秦进，程欣宇，张健，李智. 基于多种正则化的改进超分辨率重建算法[J]. 计算机工程与应用, 2018, 54(15): 22-28.