基于梯度和拉普拉斯算子的图像扩散变分模型

采用图像扩散的变分方法可以有效地设计边缘保持或增强的图像恢复模型。传统的模型往往基于图像强度的梯度,所得到的结果在本该光滑的区域具有明显的阶梯效应。为此,提出了基于梯度和拉普拉斯算子的图像扩散变分模型,以期实现在对图像进行噪声去除的同时,保持或增强图像的边缘,并消除单纯基于梯度模型导致图像光滑区域的阶梯效应。对变分模型中光滑项的设计,首先针对一维模型的分析得出基于梯度和拉普拉斯算子模型向前、后扩散的条件,然后将其推广到二维图像扩散,并在设计的有限差分方法基础上,对所提模型的有效性进行了实验验证,效果良好。     

高阶全变差正则化彩色图像去马赛克

针对全变差(total variation,TV)正则化方法会在恢复出来的图像中产生阶梯效应,提出了一种基于四阶偏微分方程的高阶全变差正则化彩色图像去马赛克模型,此模型在ROF模型的基础上,用四阶范数代替TV范数,消除了ROF模型所产生的阶梯效应。实验结果表明,该模型能取得较好的图像复原效果。     

基于偏微分方程的图像修复算法

针对TV模型修复算法只沿梯度垂直方向扩散,容易在平滑区域引入阶梯效应,迭代效率低,易产生假边缘的缺点,分析比较了TV图像修复模型的性能,提出了一种改进的图像修复算法。该算法同时结合了各向同性和各向异性扩散,利用区域频率差异实现了在不同的区域使用不同的迭代方程,有效避免了原始算法引入的阶梯效应,提高了迭代效率。实验结果表明,该算法与TV模型算法相比,在具有同样修复效果的前提下,避免了阶梯效应并优于TV模型的修复速度。     

基于前向与后向扩散模型的变分去噪

基于偏微分方程的算法是近年来图像增强中广泛运用的去噪技术.对于图像去噪,单一地采用ROF算法无法有效地保留图像的细节信息,也会产生局部的阶梯效应.针对这个问题,提出结合全变分和前向与后向扩散模型的算法,不仅有效地锐化边缘效果,而且控制了阶梯效应的产生.最后实验结果表明两种方法的结合对于图像有更高的峰值信噪比,改善了单一方法对图像去噪的局限性.     

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。     

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。     

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。     

一种基于PDE与结构-纹理分解的图像去噪方法

结合二阶偏微分方程的ROF图像去噪模型与四阶偏微分方程的LLT去噪模型,提出了一种结构-纹理分解的图像去噪模型。该模型先将噪声图像分解成结构、纹理和噪声三部分,然后利用ROF模型来控制图像的结构部分,利用LLT模型来控制图像的纹理部分,再将两部分耦合则得图像去噪的泛函极小问题。利用变分法获得与泛函极小问题等价的Euler-Lagrange方程后,然后采用梯度下降法求解所得等价方程,从而实现图像去噪。实验仿真结果表明本文提出的模型不仅能有效地去除噪声,而且在去噪的同时尽可能地保持图像的纹理特征。     

一个新的离散TVp模型

自适应TV^p模型能有效避免TV模型的阶梯效应，但模型的非线性程度较高，求解比较困难.为了解决这个问题，利用每个像素点梯度的向前、向后差分的几何平均定义像素点的梯度模，建立了一个新的离散TV^p模型.实验结果表明，该模型能够有效降低TV^p模型的非线性程度，恢复的图像的质量比TV^p模型的更好，信噪比更高.     

基于改进的L_0梯度最小化的图像平滑

计算机图像和视觉领域中的一项基本任务是图像平滑,而L0梯度最小化模型(LGM)作为一个最基本的数学工具已被广泛应用于图像平滑领域.作为总变差模型(TV)的改进版本,L0梯度最小化模型采用L0范数来约束图像的梯度并且对分段常数的图像有更好的平滑效果.然而,如同总变差模型一样,L0梯度最小化模型处理的结果图中也存在着严重的阶梯效应并且其对噪声也缺乏鲁棒性.为了克服这些缺点,本文提出了采用L1范数作保真项并且预滤波处理图像梯度的模型,即改进的L0梯度最小化模型.该模型不仅能够克服阶梯效应并且对噪声有较强的鲁棒性.大量的实验结果表明:与现有的方法相比,改进的L0梯度最小化模型能够获得更好的平滑效果.     

基于纯各向异性扩散和四阶PDE的混合去噪方法研究

综合纯各向异性扩散模型和四阶PDE模型在图像去噪中的特点,提出一种新的去噪模型——基于纯各向异性扩散和四阶PDE的混合去噪模型.该模型克服了四阶PDE模型过多损失边缘信息和纯各向异性扩散模型在平滑区域产生阶梯效应的缺点,在有效去除噪声的同时,既抑制了阶梯效应,又很好地保持了图像的边缘和纹理细节信息.     

一个新的离散TVp模型

自适应TV^p模型能有效避免TV模型的阶梯效应，但模型的非线性程度较高，求解比较困难.为了解决这个问题，利用每个像素点梯度的向前、向后差分的几何平均定义像素点的梯度模，建立了一个新的离散TV^p模型.实验结果表明，该模型能够有效降低TV^p模型的非线性程度，恢复的图像的质量比TV^p模型的更好，信噪比更高.     

基于核偏差估计航天目标退化图像快速反卷积

提出了一种基于核偏差估计的航天目标图像快速盲反卷积算法,基于自然图像的梯度具有长尾分布的特点,引入超拉普拉斯先验,针对模糊航天退化图像模糊核估计不精确的情况,在概率模型里添加一个关于点扩散函数的偏差估计用于补偿已知点扩散函数和真实的点扩散函数之间的误差,以增加算法的鲁棒性.该算法不仅减少了反卷积过程中时间复杂度高的问题,而且相较于其他快速算法更能保证图像恢复质量.该算法与目前图像去模糊方法相比具有较好的性能,并且与传统梯度先验模型在频域求解相比,能有效抑制阶梯效应衍生的截断条纹.     

改进的分数阶自适应PDE去噪算法

结合ROF模型和四阶PDE去噪模型提出一种改进的分数阶自适应PDE去噪算法.改进算法根据各个像素点的梯度信息自适应地选择分数阶PDE的阶数,根据尺度参数的特点,提出一种自适应的尺度参数迭代算法.数值实验表明,改进算法能够较好地提高峰值信噪比,保护边缘,有效抑制“阶梯效应”.     

基于CONVEF的四阶各向异性扩散及图像去噪

偏微分方程在图像去噪中有广泛的应用。传统的二阶偏微分方程虽然具有较好的去噪效果,但是处理得到的结果容易产生阶梯效应,这种现象会引起后续图像处理的误判断。You和Kaveh提出了四阶偏微分方程,该模型可以有效的去除阶梯效应,但由于该算法是一个各向同性的滤波算法,因此图像的边缘保护能力有所降低,使去噪结果中边缘和纹理等细节信息丢失。针对以上缺点,提出了基于卷积虚拟电子场(CONVEF)的四阶偏微分方程。新的模型降低了图像在边缘方向的扩散,得到一个有效的各向异性扩散模型,从而在去噪的同时可以更好的保护图像的边缘、纹理等细节特征。     

基于改进总变差模型的图像去噪算法

总变差模型(TV)是基于偏微分方程图像去噪模型中的经典模型,但去噪的过程中存在阶梯效应(块儿效应),使去噪后的图像显得很不自然,这是由于TV模型的分段平滑造成的.本文加入自适应系数,使其在平滑区域退化为类似于拉普拉斯算子的各向同性扩散,加快扩散速度,消除阶梯效应;在边缘位置,新模型沿切线方向扩算,抑制法线方向扩散,保持边缘.     

基于局部自适应约束的图像恢复模型

针对基于自适应Lp范数的图像恢复(adaptiveLpnorm based image restoration,ALPIR)模型在恢复图像时引入"阶梯"效应的问题,提出了一个基于局部自适应约束的图像恢复模型."阶梯"效应的产生与ALPIR模型的Lp范数自适应方案性能密切相关;在新模型中,依据人类视觉感知特性,采用图像方向信息测度和局部方差表征图像的边缘特征,利用可见度函数构建了一个新的自适应方案确定Lp范数.实验结果表明,新模型在恢复图像的同时很好地保持了图像的边缘细节,有效地抑制了"阶梯"效应,综合性能优于ALPIR模型.     

基于ROF模型的图像去噪算法

针对ROF模型在处理纹理丰富的图像时易丢失重要信息的缺点,本文提出用高阶导数构成扩散函数,并用维纳滤波对其进行预处理。实验结果表明了本文方法的有效性。     

一类自适应扩散方程在乘性去噪中的应用

提出一类自适应扩散方程并将其相应的模型用于乘性去噪, 该类模型能针对乘性噪声的特点, 根据局部梯度信息自适应地选择扩散模式: 其扩散速度和噪声大小成正比, 没有噪声的区域不扩散, 同时结合了热方程各向同性扩散和全变差流各向异性扩散的特点. 理论分析和实验结果表明, 该类模型能自适应地光滑区域内部, 增强边界, 避免阶梯效应.     

一种改进的全变分自适应图像去噪模型

目的 比较几种不同的变分图像去噪模型的优缺点,提出一种新的根据局部梯度信息自适应调整光滑性测度的模型.方法 新模型增加了梯度模值与两个门限的比较,小于门限1采用各向同性扩散去噪模型,大于门限2采用TV去噪模型,梯度模值在两个门限之间的采用自适应去噪模型.结果 新模型在强噪声水平下,改善了人眼主观视觉感受,均方误差(MSE)降低了约35,峰值信噪比(PSNR)提高了约2.25dB.结论 新模型改进了原有模型,进一步减少了"阶梯"效应,得到了更好的去噪效果.