Image denoising via a new hybrid TGV model based on Shannon interpolation
Article Type:
Research/Original Article (دارای رتبه معتبر)
A new hybrid variational model is presented for image denoising, which in-corporates the merits of Shannon interpolation, total generalized variation (TGV) regularization, and a symmetrized derivative regularization term based on l1-norm. In this model, the regularization term is a combination of a TGV functional and the symmetrized derivative regularization term, while the data fidelity term is characterized by the l2-norm. Unlike most variational models that are discretized using a finite-difference scheme, our approach in structure is based on Shannon interpolation. Quantitative and qualitative assessments of the new model indicate its effectiveness in restoration accuracy and staircase effect suppression. Numerical experi-ments are carried out using the primal-dual algorithm. Numerous real- world examples are conducted to confirm that the newly proposed method outperforms several current state-of-the-art numerical methods in terms of the peak signal to noise ratio and the structural similarity (SSIM) index.
Iranian Journal of Numerical Analysis and Optimization, Volume:12 Issue: 2, Summer and Autumn 2022
371 to 396  
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!