مقاله انگلیسی MF-LRTC: فیلترهای چندگانه تنگستن رده پایین کد گذار تانسور برای تدوین تصویر

06 شهریور 1397 | 20:14

مقاله انگلیسی MF-LRTC: فیلترهای چندگانه تنگستن رده پایین کد گذار تانسور برای تدوین تصویر
عنوان فارسی مقاله: MF-LRTC: فیلترهای چندگانه تنگستن رده پایین کد گذار تانسور برای تدوین تصویر
عنوان انگلیسی مقاله: MF-LRTC: Multi-filters guided low-rank tensor coding for image restoration
مجله/کنفرانس: Neurocomputing
رشته های تحصیلی مرتبط: فناوری اطلاعات
گرایش های تحصیلی مرتبط: فناوری اطلاعات
کلمات کلیدی انگلیسی: Image restoration; Multi-filters; Low-rank tensor coding; HOSVD decomposition; ADMM
نوع نگارش مقاله: پژوهشی - research
نمایه: scopus - master journals - JCR
DOI: doi.org/10.1016/j.neucom.2018.04.046
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنالی
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور(IF): 3.241(2017)
شاخص H_index: 100
SJR: 1.073
شناسه ISSN: 0925-2312
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 15
کد محصول: EN25
فهرست انگلیسی مطالب
Abstract

Introduction
-Multi-view features
-Low-rank tensor coding
-Motivation and contributions

MF-LRTC: multi-filters guided low-rank tensor coding
-Multi-filters induced features
-Low-rank tensor approximation
-roposed MF-LRTC
-Algorithm to solve the proposed model
---Updating the solution image u
---Updating the filter-guide tensor variable Y
---Updating the auxiliary variable b

Applications
-Image deblurring
-CS recovery
---Sampling schemes and ratios
---Complex clinical data and computation time
---Noise sensitivity

Discussion
-Parameters evaluation
-Analysis of multi-filters

Conclusions

References
نمونه متن انگلیسی
Abstract

Image prior information is a determinative factor to tackling with the ill-posed problem. In this paper, we present multi-filters guided low-rank tensor coding (MF-LRTC) model for image restoration. The appeal of constructing a low-rank tensor is obvious in many cases for data that naturally comes from different scales and directions. The MF-LRTC takes advantages of the low-rank tensor coding to capture the sparse convolutional features generated by multi-filters representation. Using such a low-rank tensor coding would reduce the redundancy between feature vectors at neighboring locations and improve the efficiency of the overall sparse representation. In this work, we are committed to achieving this goal by convoluting the target image with Filed-of-Experts (FoE) filters to formulate multi-feature images. Then similarity-grouped cube set extracted from the multi-features images is regarded as a low-rank tensor. The resulting non-convex model is addressed by an efficient ADMM technique. The potential effectiveness of this tensor construction strategy is demonstrated in image restoration including image deblurring and compressed sensing (CS) applications
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

جستجوی پیشرفته