基于形状保持的图像增强模型

针对对比度低、边缘模糊和噪声干扰强的红外图像,提出一种融合非线性扩散与全变分的形状保持模型。其中,模型保真项用于保持图像形状,保留边缘、细节信息,范数项用于图像去噪。实验结果表明,与同类算法相比,该模型能更有效地去除噪声,保持图像形状,并增强图像对比视觉效果。     

平滑区域梯度保真的图像降噪方法

基于有界变差的图像去噪模型在去除噪声的同时会产生“阶梯效应”,在模型中藕合梯度保真项能够有效地抑制“阶梯效应”,但全局梯度保真却导致图像的边缘模糊。新模型讨论了平滑区域的判定方法,在此基础上给出了基于平滑区域梯度保真的去噪模型和两种修正方法。新的去噪方法在去除图像噪声的同时压低了“阶梯效应”,且能够很好地保留图像的边缘。数值实验验证了所提模型的效果。     

结合自适应保真项的各向异性扩散模型

为了在去除噪声的同时,对图像更好的保真,在各向异性扩散模型的基础上,提出了结合自适应保真项的各向异性扩散模型。该模型能够很好地抑制边缘上的噪声和强噪声。实验结果表明,该模型不仅能有效去除噪声,而且对图像细节、边缘也能很好的保真。     

基于全变分模型的自适应FCM图像分割

针对模糊C均值(FCM)算法对噪声敏感的缺点,在FCM目标函数中引入全变分惩罚函数,提出一种基于全变分模型的FCM图像分割方法。该方法根据图像的纹理变化,自适应调整图像保真项的惩罚因子,同时在考虑分割代价的情况下,使迭代循环过程中的图像噪声得到平滑。实验结果表明,该方法能提高图像的分割效果,有效解决噪声抑制与精确分割之间的矛盾。     

全变分的分块小波阈值图像去噪

针对全变分算法对平滑区域抑噪不充分及小波阈值算法易造成边缘模糊的缺陷,提出了全变分的分块小波阈值算法。首先利用全变分粗去噪算法对含噪图像去除幅度较大的噪声,再利用分块小波阈值算法抑制残余噪声。实验结果表明,在图像边缘得到保护的同时较好地抑制了平坦区域的残余噪声,与传统算法相比,峰值信噪比和视觉效果都得到明显提高。     

一种改进的小波域图像修复算法

针对全变分小波图像修复算法在平滑区易产生阶梯效应并且噪声抑制不充分的缺陷,提出一种新颖的小波域图像修复模型。通过优化一个全变分和图像梯度的二范数的能量泛函来实现小波域的图像修复,使得在去除噪声的同时较好地保留了图像的边缘,在平滑区域削弱了阶梯效应,并利用有限差分法对所建立的扩散方程进行数值求解。实验结果表明:所提方法对于不同丢失比例的图像以及噪声图像都取得了较好的修复效果,尤其当小波系数丢失率较高时更为明显。     

融合[L2]和KL保真项的图像恢复算法

为了有效抑制高斯-泊松混合噪声,针对调和模型不能有效保存图像的边缘细节信息和Kullback-Leibler散度作为保真项（KL保真项）的全变差图像恢复模型对光滑的区域部分去噪会产生“阶梯效应”的不足,提出一种针对高斯-泊松混合噪声去噪的图像恢复变分模型。该模型利用增广拉格朗日算法进行数值实现,将调和模型和全变分模型按照比例进行融合,结合两种模型的优点,增强模型的去噪性能;Kullback-Leibler散度作为保真项和[L2]保真项按照比例进行混合,能有效去除高斯-泊松混合噪声的同时,保护图像的边缘细节;使用多幅含不同混合噪声的图像进行对比实验,采用峰值信噪比、结构相似度指标评定图像的恢复效果。实验结果表明,该模型的峰值信噪比和结构相似度大于使用Kullback-Leibler散度作为保真项的全变差图像恢复（TV-KL）模型、改进MS模型（MRT）,以及保真项混合模型（MFT）这三个模型,并且计算的CPU时间更短,去噪效果得到明显改善。所提模型具有更好的去噪性能,有效地保持了图像细节和纹理特征方面的信息,获得了更理想的视觉效果,不仅能提高了图像质量,而且在客观上得到了有效的证实,可以应用于X射线图像去噪。     

基于偏微分方程的变分去噪模型

针对现有去除图像乘性噪声的变分模型的保真项中存在病态条件的问题,结合全变分方法和对数变换的相关理论对保真项进行分析,提出一种新的基于偏微分方程(PDE)的去除图像乘性噪声的变分模型,导出了该模型对应的偏微分方程初边值问题,并给出了相应的数值计算方法。从数值实验结果可以看出,所提模型的均方误差(MSE)明显下降,峰值信噪比(PSNR)明显提升,同时很好地避免了模型的病态情形,对去除图像乘性噪声的变分模型中保真项存在的病态条件提供了很好的解决办法,减小了离散化过程中可能存在的误差。数值实验结果表明,所提模型具有良好的去噪效果,能够较好地抑制图像中的“阶梯效应”现象。     

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。     

改进的LIP偏微分方程图像去噪方法

针对对数图像处理-全变分(LIP_TV)去噪模型存在的不足,提出一种改进的LIP偏微分方程去噪方法。首先基于LIP数学理论,在LIP梯度算子中,引入四方向导数信息,得到改进的LIP梯度算子以全面客观地度量图像信息,更好地控制扩散过程。然后利用人类视觉系统的结构化特性,用噪声可见度函数构造新的保真项系数,进一步保持了图像的边缘细节并避免了人为估计噪声水平。理论分析和实验结果表明,该改进方法能够更好地去除噪声和保持图像边缘细节特征,在视觉效果和客观评价指标上都明显优于LIP_TV方法。     

A New Gradient Fidelity Term for Avoiding Staircasing Effect

Image denoising with some second order nonlinear PDEs often leads to a staircasing effect, which may produce undesirable blocky image. In this paper, we present a new gradient fidelity term and couple it with these PDEs to solve the problem. At first, we smooth the normal vector fields (i.e., the gradient fields) of the noisy image by total variation (TV) minimization and make the gradient of desirable image close to the smoothed normals, which is the idea of our gradient fidelity term. Then, we introduce the Euler-Lagrange equation of the gradient fidelity term into nonlinear diffusion PDEs for noise and staircasing removal. To speed up the computation of the vectorial TV minimization, the dual approach proposed by Bresson and Chan is employed. Some numerical experiments demonstrate that our gradient fidelity term can help to avoid the staircasing effect effectively, while preserving sharp discontinuities in images.     

基于对偶范数的自适应图像分解模型

提出一种减少阶梯现象的图像分解模型。该模型所表示的结构成分的能量介于全变差正则化和各向同性光滑化之间,纹理成分所表示的能量介于Meyer的G范数和H-1范数之间,它们在Legendre-Fenchel变换的意义下是对偶的,根据图像的局部信息自适应地调整。实验表明,新模型能很好地避免在光滑区域出现的阶梯现象,有效保护图像的边缘和纹理信息。     

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     

Some Remarks on the Staircasing Phenomenon in Total Variation-Based Image Denoising

This paper deals with the so-called staircasing phenomenon, which frequently arises in total variation-based denoising models in image analysis. We prove in particular that staircasing always occurs at global extrema of the datum and at all extrema of the minimizer. It is also shown that, for radial images, the staircasing always appears at the extrema and at the boundary of the image. We also prove the equivalence between the denoising model and the total variation flow, in the radial case, thus, extending a previous result in dimension one. This equivalence cannot hold in the non-radial case, as it is shown with a counterexample. This connection allows us to understand how the staircase zones and the discontinuities of the denoising problem evolve with the regularization parameter.     

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。     

A Multi-Scale Vectorial L<Superscript><Emphasis Type="Italic">τ</Emphasis></Superscript>-TV Framework for Color Image Restoration

A general multi-scale vectorial total variation model with spatially adapted regularization parameter for color image restoration is introduced in this paper. This total variation model contains an L ^τ -data fidelity for any τ∈[1,2]. The use of a spatial dependent regularization parameter improves the reconstruction of features in the image as well as an adequate smoothing for the homogeneous parts. The automated adaptation of this regularization parameter is made according to local statistical characteristics of the noise which contaminates the image. The corresponding multiscale vectorial total variation model is solved by Fenchel-duality and inexact semismooth Newton techniques. Numerical results are presented for the cases τ=1 and τ=2 which reconstruct images contaminated with salt-and-pepper noise and Gaussian noise, respectively.     

一种结合小波阈值滤波的自适应整体变分方法

在整体变分方法去噪原理的基础上,通过引入小波阈值滤波,用自适应正则项代替整体变分模型中的正则项,提出了一种依赖于信号的局部信息进行滤波的自适应整体变分方法,自适应地在整体变分正则化和各向同性光滑化之间调整滤波强度。为求解整体变分极小化问题,采用了滞后扩散定点迭代的方法。数值计算结果表明：提出的方法有效地减少了传统整体变分方法去噪后恢复信号中所出现的阶梯效应,很好地抑制了小波变换中固有的伪Gibbs现象,重构信号的边缘、不连续点位置十分精确,信噪比也得到明显改善。     

A New TV-Stokes Model for Image Deblurring and Denoising with Fast Algorithms

The famous TV-Stokes models, which improve the restored images comfortable, have been very successful in image denoising. In this paper, we propose a new TV-Stokes model for image deblurring with a good geometry explanation. In the tangential field smoothing, the data fidelity term is chosen to measure the distance between the solution and the orthogonal projection of the tangential field of the observation image onto the range of the conjugate of the blurry operator, while the total variation of the solution is chosen as the regularization term. In the image reconstruction, we compute the smoothing part of the image from the smoothed tangential field for the first step, and use an anisotropic TV model to obtain the “texture” part of the deblurred image. The solvability properties for the minimization problems in two steps are established, and fast algorithms are presented. Numerical experiments demonstrate that the new deblurring model can capture the details of images hidden in the blurry and noisy image, and the fast algorithms are efficient and robust.     

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。