Adaptive Fractional-order Multi-scale Method for Image Denoising

The total variation model proposed by Rudin, Osher, and Fatemi performs very well for removing noise while preserving edges. However, it favors a piecewise constant solution in BV space which often leads to the staircase effect, and small details such as textures are often filtered out with noise in the process of denoising. In this paper, we propose a fractional-order multi-scale variational model which can better preserve the textural information and eliminate the staircase effect. This is accomplished by replacing the first-order derivative with the fractional-order derivative in the regularization term, and substituting a kind of multi-scale norm in negative Sobolev space for the L ² norm in the fidelity term of the ROF model. To improve the results, we propose an adaptive parameter selection method for the proposed model by using the local variance measures and the wavelet based estimation of the singularity. Using the operator splitting technique, we develop a simple alternating projection algorithm to solve the new model. Numerical results show that our method can not only remove noise and eliminate the staircase effect efficiently in the non-textured region, but also preserve the small details such as textures well in the textured region. It is for this reason that our adaptive method can improve the result both visually and in terms of the peak signal to noise ratio efficiently.     

一种改进的双项自适应总体变差去噪模型

研究经典总体变差去噪模型及其改进的自适应去噪模型,提出一种基于预处理图像局部信息的双项自适应模型。利用空间自适应保真项缓解二阶非线性滤波对细节的过度平滑,通过自适应正则化项减少阶梯效应,使数值更稳定和收敛。实验结果表明,与原方法相比,改进方法具有更好的鲁棒性,在噪声较高的情况下仍能取得较好的去噪效果。     

基于可变指数及L1保真项的图像去噪算法

全变分(TV)模型采用了梯度的1范数作为正则化约束, 它能够沿着梯度方向较好地保护图像的边缘信息,但在图像较均匀区域,容易产生“阶梯”效应。利用梯度的可变指数函数作为正则化项,提出TV模型的改进模型, 该模型既保持TV模型保护图像边缘信息的优点,又可以明显地减少非边界区域“阶梯”效应的产生,同时把〖WTHX〗u-〖WTHX〗f的1范数作为数据保真项增强了模型修复图像破损部分的能力     

改进的二阶总广义变分图像前后景分割模型

针对总变分TV图像前后景分割模型易导致阶梯效应的缺陷,提出了二阶总广义变分TGV图像前后景分割模型。为进一步提升图像分割质量,在TGV前后景分割模型的正则项中引入边缘指示函数,使其在图像边缘区域减弱扩散,较好地保护边缘;在图像平滑区域增强扩散,有效地消除噪声。为突出前景信息,用矩形框标出图像的前景信息,对框内部、外部和边缘的像素做距离映射,并根据能量最小化原则,在二阶TGV模型的数据项中引入此距离映射函数,使模型总能量更小。最后,提出了一种有效的原始对偶分割算法来求解模型。实验表明,新模型不但能够去除阶梯效应现象,保持图像的边缘信息,还使得模型总能量更小,分割得到的图像视觉效果更好。     

改进的二阶总广义变分图像去噪算法

为了有效地去除含噪图像中的噪声,克服总变分（TV）去噪易于导致阶梯效应的缺陷,提出了一种改进的二阶总广义变分（TGV）的图像去噪方法。介绍了二阶TGV的理论基础,在二阶TGV中引入了各向异性扩散张量,利用张量函数引导扩散,获得了新的去噪模型,最后提出了一种扩展了的原始-对偶算法对新模型进行数值求解。新模型充分结合了二阶TGV作为正则项自动平衡了一阶和二阶导数项,以及张量函数的各向异性扩散,有效突出边缘结构的特性。实验结果表明,该方法在有效地去除含噪图像中噪声的同时,避免了阶梯效应,增强了对原始图像中边缘结构的保持。     

基于非局部总广义变分的图像去噪

针对全变分(TV)模型在去除图像噪声时容易产生阶梯效应的缺点,将二阶总广义变分(TGV)作为正则项应用于全变分模型中可以有效地去除阶梯效应,并且还能够更好地保持图像边缘纹理结构;利用非局部均值滤波算法的思想来构造非局部微分算子,将非局部微分算子应用于总广义变分模型中,综合提出了一种基于非局部总广义变分的图像去噪新模型。新模型充分利用了图像的全局信息进行去噪。实验结果显示了该模型的有效性和优越性。     

Total variation and high-order total variation adaptive model for restoring blurred images with Cauchy noise

In this paper, we propose a novel model to restore an image corrupted by blur and Cauchy noise. The model is composed of a data fidelity term and two regularization terms including total variation and high-order total variation. Total variation provides well-preserved edge features, but suffers from staircase effects in smooth regions, whereas high-order total variation can alleviate staircase effects. Moreover, we introduce a strategy for adaptively selecting regularization parameters. We develop an efficient alternating minimization algorithm for solving the proposed model. Numerical examples suggest that the proposed method has the advantages of better preserving edges and reducing staircase effects.     

基于自适应投影算法的分数阶全变分去噪模型*

为了在图像去噪的同时较好地保持图像的弱边缘和纹理细节,提出基于自适应投影算法的分数阶全变分模型.该模型使用Grünwald-Letnikov分数阶微分替代全变分正则项中的一阶导数,通过将图像投影在全变分球体上以解决分数阶全变分的优化问题.并根据图像的局部信息将图像分为纹理区域和非纹理区域,从而自适应计算投影方法中的软阈值.理论分析和实验均表明,文中方法在去除噪声的同时可以消除块效应,并且能有效保持图像的弱边缘和纹理细节.     

混合高阶全变差正则化的运动模糊图像盲复原

针对运动模糊图像的盲复原,提出一种基于混合高阶全变差正则化的盲复原方法。该方法首先采用shock滤波器从模糊图像中预测出清晰的图像边缘,并用多尺度策略实现对模糊核由粗到细的准确估计。然后根据自然图像边缘的稀疏特性,将全变差模型的保护边缘特性结合高阶全变差克服平滑区域阶梯效应的优势,对图像进行正则化约束,提出新的混合高阶全变差正则化模型。最后,利用分裂布雷格曼迭代策略对提出模型进行最优化求解。实验结果表明,提出的方法能够很好地保护图像边缘细节,同时有效地抑制平滑区域内振铃和阶梯效应的产生,获得高质量的复原图像。与近几年图像盲复原算法相比,不仅改进了复原图像的主观视觉效果,而且客观上提高了峰值信噪比。     

引入耦合梯度保真项的非线性扩散图像去噪方法

利用二阶的非线性扩散方程进行图像去噪易产生具有"阶越效应"的去噪结果,也即使分段光滑的图像变为分段常量的.针对低阶非线性扩散去噪方法的不足,通过在原有的扩散方程中引入从梯度保真约束项导出的Euler-Lagrange方程,提出了耦合梯度保真项的非线性扩散图像去噪方法.由于梯度保真约束项考虑了去噪前后图像梯度的相似度,利用该模型能够在保持边缘的同时得到分段光滑的结果,使视觉效果更自然.证明了新模型是一个凸函数,从而保证了最优解的存在性和惟一性.还分析了从噪声图像估计梯度时引入空间正则化对最终结果的影响,并且从理论和实验两个角度分析了合理选择正则化参数的重要性.模型在有界变差函数空间中可积,使得新方法克服了高阶非线性扩散去噪方法易造成边界泄漏以及破坏图像中纹理等高频成分的不足.实验结果表明,通过耦合梯度保真项能够很好地防止"阶越效应"的产生,同时保持图像中的边缘、纹理等结构信息.     

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。     

自适应步长非局部全变分约束迭代图像重建算法

针对计算机断层成像（CT）系统中,全变分（TV）迭代约束模型易于产生阶梯效应以及不能很好地保存图像中精细结构的问题,提出一种自适应步长的非局部全变分（NLTV）约束迭代重建算法。考虑到NLTV模型能较好保存和恢复图像细节以及纹理的特点,首先将CT模型当成在满足投影数据的保真项的解集中寻找满足特定正则项即NLTV最小化的解约束优化模型;然后,使用代数重建（ART）算法和分离布雷格曼（SB）来确保重建结果满足数据保真项和正则化项的约束;最后,以自适应最速下降-投影到凸集（ASD-POCS）算法作为基础迭代框架来重建图像。实验结果表明,在不含噪声的稀疏重建条件下,提出的算法使用30个角度的投影数据已经可以重建出理想的结果。在含噪稀疏数据重建实验中,该算法在30次迭代时已得到接近最终收敛的结果,且均方根误差（RMSE）是ASD-POCS算法的2.5倍。该重建算法能在稀疏投影数据下重建出精确的结果图像,同时改善了TV迭代模型的细节重建能力,且对噪声有一定的抑制作用。     

基于四阶偏微分方程的盲图像恢复模型

由于全变分(total variation,TV)正则化方法能够很好地保持边界,因而在图像去噪和恢复中得到广泛的应用,但其一个显著的缺点就是会在恢复出来的图像中产生阶梯效应。针对此问题给出了一种基于四阶偏微分方程(PDE)的盲图像恢复模型,该模型在Chan和Wong的全变分模型的基础上,用四阶范数来代替TV范数,构造了一种新的能量泛函,消除了全变分正则化方法所产生的阶梯效应。实验结果表明,该模型能取得较好的图像恢复效果。     

抑制全变分阶梯效应的新方法

全变分去噪算法能够很好地保留图像边缘和细节信息,但在图像平滑区域会产生严重的阶梯效应,而邻域线性回归滤波器可以避免产生阶梯效应。针对这一点,提出一种抑制全变分阶梯效应的新方法。该方法利用改进的高斯函数作为权函数,根据图像不同区域的灰度特性,自适应地调节权值,从而将全变分算法与邻域线性回归滤波有效地结合,达到优势互补,既可以保留图像的边缘信息,又可以抑制平滑区域的阶梯效应。比较了上述三种方法的结果表明,新方法具有更好的复原效果。     

基于分数阶全变分正则化的超分辨率图像重建

从退化的低分辨率图像重建得到高分辨率图像的本质是一病态逆问题,针对该问题,通过添加正则项进行处理。在使用传统的全变分(TV)的基础上,添加了分数阶全变分(FOTV)作为另一正则项来约束解空间。分数阶全变分正则项的使用可以更好地重建图像的细节纹理信息,弥补了全变分算子在平滑区域易出现阶梯效应的缺陷。利用交替方向乘子(ADMM)算法将问题划分为子问题,将全变分和分数阶全变分算子作为循环矩阵,通过傅里叶变换将其对角化,降低了计算的复杂程度。实验结果表明,与已有的方法相比,所提方法有效地避免了阶梯效应的产生,较好地保持了细节信息,并且具有更好的峰值信噪比(PSNR)和结构相似度(SSIM)。     

基于变差正则化的超分辨率图像重建

针对超分辨率图像重建的求解病态性问题,从正则化求解的角度构建数据保真项和正则项,提出一种新的数据融合方法。讨论已有的数据融合方法,利用像素领域和帧间信息控制奇异点,考虑边缘区域的变差权值,避免重建图像的边缘区域过于平滑。实验结果表明,该方法能够提高重建图像质量,具有较好的鲁棒性。     

非局部的变分正则化图像放大算法

针对Chambolle图像放大模型存在分块效应,提出一种非局部的变分正则化图像放大算法。该算法的思想是构造一个适用于图像放大的变分泛函,该泛函由正则项和数据保真项构成,其中图像的正则项是用非局部全变差范数进行估计,进而用迭代投影方法求泛函的最小解,即为放大后的图像。与传统的图像插值方法不同,该算法是用变分的思想进行图像放大,非局部全变差的引入更使得该算法不只是利用图像的单个像素点,或某一邻域内的灰度和梯度信息进行放大,而是更大范围地利用了图像本身的信息,这将更有效地保留图像特征,避免了Chambolle方法在图像放大时出现的分块效应。实验结果表明,该算法能更好地保留边缘和细节信息,放大图像的清晰度比Chambolle图像放大方法和样条插值的效果要好。     

去除乘性噪声的重加权各向异性全变差模型

恢复含乘性噪声的图像是当前图像处理的重要研究课题. 本文提出基于迭代重加权的各向异性全变差(Total variation, TV)模型. 新模型中, 假定乘性噪声服从Gamma分布. 正则项采用加权的各向异性全变差, 其中, 自适应权函数由期望最大(Expectation maximization, EM)算法得到. 新模型在有效去噪的同时, 较好地保留了图像的边缘和细节信息, 同时能够有效地抑制"阶梯效应". 数值实验验证了新模型的效果.     

全变分引导图像去噪

引导滤波要求具有良好结构的引导图像进行辅助滤波。当噪声较多时,引导图像中的结构、边缘等遭到破坏,无法提供有效的引导信息,严重影响去噪效果。经典的全变分模型可以得到分片常数图像,具有良好的保持边界和结构的性能,可为引导滤波提供鲁棒的引导信息。为此,结合全变分模型和引导滤波,以噪声图像作为输入,利用全变分模型处理后的图像作为引导图像,而后进行引导滤波,并对上述过程进行迭代处理,以消除全变分模型带来的阶梯效应。实验结果表明,该算法在去除噪声的同时保持更多的细节,同时减轻全变分模型的阶梯效应。     

自适应加权全变分的低剂量CT统计迭代算法

针对低剂量计算机断层扫描（LDCT）重建图像时出现条形伪影和脉冲噪声的现象,提出一种自适应加权全变分的LDCT统计迭代重建算法。该算法克服了传统全变分（TV）算法在去除条形伪影的同时引入阶梯效应的缺点,把基于加权方差的加权因子与TV模型相结合提出自适应加权全变分模型,然后再把新模型应用到惩罚加权最小二乘（PWLS）重建算法中,这样就可以对图像的不同区域进行不同强度的去噪,从而取得噪声抑制和边缘保持的良好效果。采用Shepp-Logan模型和数字骨盆体模来验证算法的有效性,实验结果表明,所提算法的归一化均方距离和归一化平均绝对距离均比滤波反投影（FBP）、PWLS、惩罚加权最小二乘的中值先验（PWLS-MP）以及惩罚加权最小二乘的全变分（PWLS-TV）算法的值小,且可分别获得40.91 dB和42.25 dB的峰值信噪比。实验结果表明,该算法重建出的图像在有效去除条形伪影的同时对图像的边缘和细节起到很好的保护作用。