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。     

含脉冲噪声模糊图像复原的自适应二阶变分模型 *

针对经典的基于L1数据保真项的总变分图像复原模型易导致阶梯效应和损失图像重要细节的缺陷,提出了一种基于L1数据保真项的二阶总广义变分(Total Generalized Variation, TGV)图像复原模型。为进一步提升含脉冲噪声模糊图像复原质量,在二阶TGV图像复原模型中引入边缘检测算子,使其在图像边缘区域减弱扩散,较好地保护图像边缘特征;在图像平滑区域增强扩散,有效地消除脉冲噪声和抑制阶梯效应。为稳定地复原降质图像,采用交替方向乘子法求解二阶变分模型。实验结果表明,提出的图像复原模型在消除噪声和模糊的同时,能成功抑制阶梯效应并保留图像的边缘结构特征。相比经典的图像复原模型,新模型在信噪比、相对误差和结构相似度等方面均取得了较好的图像复原效果。     

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。     

基于各向异性改进的水平集超声图像去噪算法

针对各向异性扩散可能出现的阶梯效应以及扩散门限难以准确确定、水平集函数只能根据图像梯度区分图像边缘及同质区域的问题,将各向异性扩散中的边缘增强项引入到水平集方程中,同时自适应地估计扩散门限,在去除噪声的同时保持和增强边缘。该方法结合了水平集函数和各向异性扩散的优点,理论分析和实验结果均表明了该算法的去噪效果更好。     

基于45N度旋转梯度等模算子偏微分方程去噪模型

传统的二阶中值曲率扩散模型(MCM)在去噪时虽然能有效地保持图像的边缘,但是在平滑区域却产生阶梯效应,以及过度扩散的现象.四阶偏微分方程模型(LLT)在去噪的同时虽能有效地抑制二阶偏微分方程产生的阶梯效应,能很好地保持图像的纹理信息,但却过多地损失了边缘信息.为了避免以上去噪过程中存在的问题,利用归一化的45N度旋转梯度等模算子作为权重,提出了传统的二阶中值曲率扩散模型(MCM)和四阶偏微分方程去噪模型(LLT)自适应的混合模型,使得它们在有效去除图像中噪声的同时,也能很好地保持图像的边缘和纹理细节信息.实验结果证实了所提出的模型的有效性.     

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。     

彩色图像乘性噪声去除的高阶变分模型

传统的变分去噪模型中,MTV模型去噪后的图像可以较好的保持图像的边缘,但会有阶梯效应。高阶TC模型可以防止阶梯效应,但是边缘保持不好。采用耦合的MTV模型和高阶TC模型相结合的方法,构造出新的混合模型,并推广到彩色图像乘性噪声去除的高阶变分模型。为提高新模型的计算效率,引入辅助变量和拉格朗日乘子设计了相应的增广拉格朗日算法。实验结果表明,新模型在处理彩色图像时能有效地避免阶梯效应,同时保持图像的边缘和细节。与实验中的传统模型相比,新模型的峰值信噪比和结构相似性指数均有提升。     

各向异性扩散滤波的三维散乱点云平滑去噪算法

针对传统点云去噪算法在去除噪声时易造成模型特征失真的问题,提出一种各向异性扩散滤波的三维散乱点云平滑去噪算法.首先采用张量投票算法计算采样点的张量矩阵,并求解其特征值和特征向量;然后根据采样点的几何特征设计扩散张量的特征值,保证在不同特征方向的扩散速率能自适应调整;最后将重构的扩散张量与三维各向异性扩散滤波方程相结合,构造了点云滤波模型用于点云去噪.对不同含噪点云模型进行去噪的实验结果表明,该算法在点云去除噪声的同时,可以有效地保持原始模型的特征信息,避免了模型的过光顺.     

一种基于L1的图像自适应分解变分方法

变分方法可以将图像分解为同类部分u和振荡部分v,但传统的图像分解方法会导致分解结果的对比度发生改变,并产生阶梯效应。为了更好地进行图像分解和去噪,提出了一种基于L1的可根据图像局部信息自适应的图像分解变分方法。该方法首先使用L1范数作为分解模型中的逼近项,以便使分解结果能保持原始图像边缘和保持对比度不变;然后通过引入图像局部特征的自适应函数来削减同类部分u的阶梯效应。实验证明,新方法比传统方法能更好地应用于图像分解和图像的噪声去除。     

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.     

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.     

Introducing diffusion tensor to high order variational model for image reconstruction

Second order total variation (SOTV) models have advantages for image reconstruction over their first order counterparts including their ability to remove the staircase artefact in the reconstructed image. However, such models tend to blur the recovered image when discretised for a numerical solution [1], [2], [3], [4], [5]. To overcome this drawback, we introduce a novel tensor weighted second order (TWSO) variational model for image reconstruction. Specifically, we develop a new regulariser for the original SOTV model that uses the Frobenius norm of the product of the Hessian matrix and a diffusion tensor, which has the duel effects of sharpening edges and introducing anisotropy to the model. We then efficiently solve the proposed model by breaking the original problem into several closed-form subproblems using the alternating direction method of multipliers. The proposed method is compared with state-of-the-art approaches such as the tensor-based anisotropic diffusions, total generalised variation, and Euler's elastica. We validate the TWSO model using extensive experiments on numerous images from the Berkeley BSDS500. We also show that our method effectively reduces both the staircase and blurring effects and outperforms existing approaches for image inpainting and denoising applications.     

Adaptive total variation denoising based on difference curvature

Image denoising methods based on gradient dependent regularizers such as Rudin et al.’s total variation (TV) model often suffer the staircase effect and the loss of fine details. In order to overcome such drawbacks, this paper presents an adaptive total variation method based on a new edge indicator, named difference curvature, which can effectively distinguish between edges and ramps. With adaptive regularization and fidelity terms, the new model has the following properties: at object edges, the regularization term is approximate to the TV norm in order to preserve the edges, and the weight of the fidelity term is large in order to preserve details; in flat and ramp regions, the regularization term is approximate to the L2 norm in order to avoid the staircase effect, and the weight of the fidelity term is small in order to strongly remove the noise. Comparative results on both synthetic and natural images demonstrate that the new method can avoid the staircase effect and better preserve fine details.     

An edge-weighted second order variational model for image decomposition

Decomposing an image into structure and texture is an important procedure for image understanding and analysis. Structure retains object hues and sharp edges whilst texture contains oscillating patterns of an observed image. The classical Vese–Osher model has been used for image decomposition, but its resulting structure image tends to show the undesirable staircase effect. Second order variational models that use a bounded Hessian regulariser have been proposed to remedy this side effect, but they tend to blur edges of objects in structure components. In this paper, we propose an edge-weighted second order variational model for image decomposition, which is able to eliminate staircase effects and preserve object edges. To avoid directly calculating the high order nonlinear partial differential equations of the proposed model, a fast split Bregman algorithm is developed, which uses the fast Fourier transform and analytical generalised soft thresholding equations. Extensive experiments demonstrate that the proposed variational image decomposition model outperforms state-of-the-art first and second order image decomposition models. By removing the texture component from the original noisy image, the effectiveness of the proposed model for image denoising has also been validated.     

基于二阶总广义变差的欠采样图像重构方法

针对欠采样图像重构的凸优化问题,提出一种基于二阶总广义变差(TGV)范数最小化的算法。利用图像的二阶TGV半范作为正则约束项,自动地平衡一、二阶导数项,使得该算法可以更好地恢复图像边缘,有利于平滑噪声,避免阶梯效应。为了有效地计算该模型,通过正交投影和调整权重阈值对每一步迭代结果进行修正,最终获得更准确的重构结果。实验结果表明,与正交匹配追踪(OMP)模型和全变差(TV)模型比对,该算法重构的图像其峰值信噪比(PSNR)及结构相似度(SSIM)都有明显的提高,重构效果较好。     

基于剪切波和改进P-M扩散的图像去噪

针对多尺度几何分析方法去噪时产生的伪Gibbs效应和各向异性扩散模型产生的阶梯效应,提出一种基于剪切波的改进各向异性扩散图像去噪方法。首先对噪声图像进行剪切波变换得到不同尺度的系数矩阵,然后利用改进的各向异性扩散方程对变换后的系数进行处理,实现建立在对图像精细分析基础上的各向异性扩散模型。实验结果表明,该方法能较好地抑制噪声和保持边缘,同时有效地抑制伪Gibbs效应,取得良好的视觉效果。     

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。     

空间移不变系统图像超分辨复原的快速解耦算法

超分辨率图像复原是当今一个重要的热门研究课题. 本文提出了一种基于全变差模型的超分辨率复原快速解耦算法. 利用半二次正则化思想, 提出了一个新的解耦TV (Total variation)模型. 利用交替最小化方法和线性空间不变模糊的性质将上采样融合、去模糊和去噪分步进行. 算法中对上采样融合采用非迭代的直接计算方法; 去模糊过程采用基于变换的预处理共轭梯度迭代算法, 而去噪过程采用了子空间投影方法. 本文算法降低了算法复杂度; 超分辨率重建图像在去除噪声的同时, 不仅能够保证图像平坦区域的保真度, 较好地抑制阶梯效应的产生, 而且能够保持图像中边缘等重要几何结构的清晰度.