Desnoiser Baseado em Agrupamento com Dicionários Aprendidos Localmente

Neste artigo, propomos o K-LLD: um método de desnoising adaptativo local baseado em patch que agrupa a imagem ruidosa dada em regiões de estrutura geométrica semelhante. Para realizar efetivamente esse agrupamento, empregamos como características as funções de peso local derivadas de nosso trabalho anterior sobre regressão por núcleo direcionada. Esses pesos são extremamente informativos e robustos na transmissão de informações estruturais locais confiáveis sobre a imagem, mesmo na presença de quantidades significativas de ruído. Em seguida, modelamos cada região (ou cluster)—que pode não ser espacialmente contígua—"aprendendo" uma melhor base que descreve os patches dentro desse cluster usando análise de componentes principais. Essa base aprendida (ou "dicionário") é então utilizada para estimar de forma otimizada os valores subjacentes dos pixels usando uma estrutura de regressão por núcleo. Também é apresentada uma versão iterada do algoritmo proposto, que leva a melhorias de desempenho adicionais. Introduzimos ainda um mecanismo inovador para escolher otimamente o tamanho do patch local para cada cluster usando o estimador de risco não enviesado de Stein (SURE). Ilustramos as capacidades do algoritmo geral com vários exemplos. Estes indicam que o método proposto parece ser competitivo com alguns dos métodos de desnoising de última geração recentemente publicados.