前言
图像去噪有时候会在去除噪声的同时伴随着去除了图像的原始信息。尤其是在去噪过程中，纹理很容易变形和平滑，因为它们无法与噪声区分开来。这里提出了一种新的去噪图像增强框架。通过将去噪后的图像与噪声输入进行融合，恢复丢失的图像信息。
该融合方法采用包含两个数据项（噪声项和去噪项）和一个稀疏约束项的代价优化，以有效抑制主成分分析（PCA）域中的噪声。噪声和去噪后的融合权重在很大程度上取决于局部区域特征。主成分分析系数和特征向量由另一种方法估计，并用于估计增强版本。该方法能有效地改善图像的纹理和结构信息。
降噪副作用
由于噪声往往成为许多图像处理任务的障碍，因此在预处理过程中通常需要进行降噪处理。在计算机视觉领域已有无数大神在此方向实践许多，提出了多种实现的理论途径。然而，去噪不可避免地会扭曲原始图像，因为很难将噪声图像与噪声图像完全分离。它有一个固有的性能界限，导致一定程度的过度平滑，尤其是在纹理区域。
纹理去噪一直是一项具有挑战性的任务，因为它的高频信息不容易与噪声区分开来。因此，现有的方法在纹理去噪方面仍然存在困难，在纹理上的性能仍然不足。最近的迭代去噪技术增加了去噪图像和去噪图像之间的差异，从而对图像进行去噪。
它们的总和被反复去噪，以缓解过度平滑的副作用。通过这样的迭代过程，纹理在一定程度上得到了保留。然而，这些技术对图像中的所有区域进行各向同性去噪，而不考虑区域特征。去噪后的图像可以进一步增强。为了有效地利用噪声图像的优势，需要考虑图像的区域特征
减少失真
我们提出了一个新的框架来进一步提高去噪图像的纹理质量。我们提出的方法的目标是通过融合噪声和去噪图像来估计纹理增强的图像。该估计过程是一个稀疏约束优化问题，具有两个数据项的噪声和降噪图像。
在计算机视觉领域中，噪声图像具有丰富的原始纹理，对纹理区域的增强效果较好。另一方面，去噪后的图像在平面和边缘等其他区域具有更好的去噪效果，并且去噪效果更好，几乎不丢失原始信息。纹理概率被测量并反映在成本函数中的组合权重中。
为了抑制融合纹理中的噪声，在主成分分析（PCA）变换域中建立了一个代价函数，其中噪声与原始纹理更加不同。使用成本优化方法估计增强图像的主成分分析系数。为了将得到的主成分分析系数准确地再次转换为空间特征向量，还需要添加主成分分析特征向量。需要一种新的迭代特征向量估计方法，在单个框架内交替估计特征向量和系数。
优化思路
一般来说，对带噪图像进行去噪往往会导致原始信息的丢失和去噪。这种现象特别发生在纹理区域，因为纹理本质上与噪声相似。我们在抑制噪声的同时还需要对噪声图像和去噪图像进行平滑纹理恢复。这就形成了一个成本优化问题，通过融合噪声和去噪图像来估计去噪图像的增强版本。
