摘要
通常情况下,鲁棒主成分分析(RPCA)在数据矩阵的正部分条目被任意损坏,或是缺少部分条目的情况下,依然可以恢复数据矩阵的主成分,但RPCA中采用核范数最小化(NNM),往往会过度缩小秩分量,限制了分离的质量,因此使用加权Schatten-p范数的最小化(WSNM)来代替核范数的最小化,以取得更好的低秩逼近效果.灰度图像和彩色图像均可以用低秩矩阵去近似,因此可以用基于WSNM的RPCA模型来对含有随机噪声的图像进行恢复.经实验验证,与基于核范数的RPCA相比,基于WSNM的RPCA模型可以更有效地提高降噪的效果.
基金项目
中原工学院科研团队发展项目(K2022TD001)
河南省杰出外籍科学家工作室项目(GZS2022012)
NETL
NSTL
万方数据