基于L_0二阶偏导最小化和核回归模型的图像去噪方法

L0梯度最小化模型(LGM)作为一个最基本的数学工具已经成功的被用在了图像平滑领域.该模型最大的优势就是在处理图像的同时能够很好的保护图像的显著边缘.然而,作为总变差模型(TV)的改进版本,L0梯度最小化模型处理得到的结果图中却存在着比总变差模型更严重的阶梯效应并且不能够很好地保护图像的纹理和细节特征.为了克服这些缺点,本文提出将L0梯度最小化模型中的一阶导数推广到二阶偏导并且引入一个保真项,然后将其应用在图像去噪中.这个保真项是使用控制核作为核函数的移动最小二乘,即核回归模型.该模型虽然能够很好地保护图像的纹理特征,但是该模型处理得到的结果图中不仅会有流式效应并且不能很好的保护图像边缘.因此,本文利用二者的优势将其结合进行图像去噪.大量的实验结果表明提出的模型不仅具有良好的去噪属性并且在去除噪声的同时能够很好地保护图像的边缘和纹理特征.     

基于Euler弹性项的去噪模型及Split bregman算法

TV去噪模型是基于一阶导数总变差的变分模型,容易在光滑区域出现阶梯效应。通常利用高阶导数信息来使图像扩散更加平滑。Euler弹性项使用光滑的边界对图像进行处理,广泛应用于图像遮挡,修复,分割等领域。本文主要研究基于Euler弹性项的图像去噪模型,并采用Split Bregman算法实现,有效地改善了TV模型的阶梯效应,并用数值实验验证了算法的有效性。     

基于分形维数的全变分图像平滑模型

针对标准全变分模型用梯度检测边缘易受噪音干扰产生"阶梯"效应和在处理纹理丰富的图像时易丢失细节纹理信息的缺点,提出了一种基于分形维数的全变分模型,该模型可利用图像局部分形维数来检测边缘,能够准确识别真实边缘、剔除假性边缘,从而抑制"阶梯"效应,可保护纹理丰富的图像的纹理细节信息。平滑后的图像显示出改进方法能有效去除噪声并减弱"阶梯"效应,获得较高峰值的信噪比。     

一种基于Lp范数的自适应图像去噪模型

为了克服L2范数的去噪模型不能保持图像边缘和L1范数的总变差(total variation,TV)模型容易引起梯子现象的缺陷,提出了一个基于Lp(1≤p≤2)范数的自适应模型,并且给出了自适应函数p(x,y)的构造公式.将Primal-Dual方法应用到自适应模型的求解中,给出了求解自适应模型的公式.数值试验结果表明,自适应模型在去除噪声的同时保持了边缘的信息,且能削弱梯子现象,所恢复的图像在信噪比等方面比原来的两种模型有较大的改善.     

一种基于Lp范数的自适应图像去噪模型

为了克服L2范数的去噪模型不能保持图像边缘和L1范数的总变差(total variation,TV)模型容易引起梯子现象的缺陷,提出了一个基于Lp(1≤p≤2)范数的自适应模型,并且给出了自适应函数p(x,y)的构造公式.将Primal-Dual方法应用到自适应模型的求解中,给出了求解自适应模型的公式.数值试验结果表明,自适应模型在去除噪声的同时保持了边缘的信息,且能削弱梯子现象,所恢复的图像在信噪比等方面比原来的两种模型有较大的改善.     

一种基于非线性扩散的图像放大算法

针时传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了Tikhonov模型、全变差模型和高阶偏微分模型在图像处理中的优缺点,提出了一种全变差和高阶偏微分模型自适应结合的图像放大模型及推导算法.该模型对图像非平滑区域采用全变差模型处理,而平滑区域则采用高阶偏微分模型处理,最终新插入的图像点象素值由该点邻域象素自适应地各向异性加权得到,在保持图像边缘锐度的同时有效克服了平滑区域的阶梯效应.4种模型的实验比较验证了本文算法的有效性.     

结合等照度线信息的图像去噪变分模型

噪声是图像获取、传输和储存过程中不可避免的现象,去噪是图像处理的首要步骤与基本问题,也是后续的高层次图像处理的基础。基于图像梯度的PM模型能有效增强图像的轮廓信息,但同时会造成图像边缘模糊并在图像的平滑区域产生阶梯效应。图像的等照度线能有效抑制图像边缘的过度平滑,考虑到等照度线与PM模型图像梯度的互补性,提出一种同时极小化图像梯度与原图像等照度线信息的复合变分模型,并给出该模型的迭代求解过程。通过对比实验证明,提出的复合模型能有效地利用原图像的结构信息,在消除平滑区域阶梯效应的同时能增强图像的边缘,取得较高的峰值信噪比,获得较好的图像去噪性能。     

混合正则化模型的交替迭代原理与图像恢复

由有界变差函数的半范数(TV)描述的正则项,在图像恢复过程中,对于图像的纹理部分,容易造成细节丢失;对于图像的卡通部分,容易产生阶梯效应;为克服此缺点,提出一种混合卡通-纹理正则化模型(hybrid cartoon texture regularization model,HCTRM)和交替迭代算法。首先,对受系统和噪声模糊的图像,用Kullback-Leibler函数描述拟合项;对于图像的卡通部分用分数阶TV的半范数来描述,纹理部分用紧框架域L_1范数来描述,建立HCTRM。其次,分析HCTRM解的存在性和唯一性。再次,引入辅助变量,将HCTRM转化为标准表达式,应用交替方向乘子算法(ADMM),将HCTRM分解为2个大的子问题。最后,将每个大的子问题,再分裂为2个小的容易处理的子问题,形成快速交替迭代算法。针对TV的半范数作为正则项,容易消除图像的纹理,且产生阶梯效应的缺点,提出一种HCTRM和交替迭代算法。仿真表明,能有效地恢复非平稳区域的纹理,克服在平稳区域产生的阶梯效应,取得较高的峰值信噪比和结构相似测度。     

基于TV范数对低秩表示去噪模型的改进

全变差(TV)范数具有保持图像边缘信息及加强区域平滑性的能力,为增强低秩表示(LRR)模型恢复图像的结构光滑性,将TV范数引入到LRR模型中,通过对LRR模型中的系数矩阵增加TV范数约束,提出了一个新的图像去噪模型——全变差低秩表示(TVLRR)模型,并采用交替最小化方法有效地求解该模型。利用图像内在的非局部自相似性先验,所提算法可以有效地发现和去除噪声,同时增强恢复图像的结构光滑性,使去噪后的图像质量显著提高。实验结果表明,与顶尖的去噪算法相比,所提出的算法在主观和客观上都实现了具有竞争力的去噪表现,特别是当噪声强度很大时。     

基于最大后验概率的la范数去噪方法

从观测模型和先验模型入手,深入分析了在图像去噪过程中如何在边缘保护和去除噪声之间寻找平衡,针对TV先验模型在边缘保护和纹理保护中的不足,提出了新的基于最大后验概率的la范数去噪方法,该方法更好地保护了图像的边缘,同时使得在平滑区域产生的阶梯效应减少.数值实验进一步验证了该方法的正确性和有效性.