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。     

基于高阶和非局部全变分的核磁共振图像重构算法

为了更好地提高核磁共振(Magnetic Resonance Imaging,MRI)图像重构质量,提出了一种基于高阶和非局部全变分的混合重构算法。该算法首先采用全局梯度提取法分离待重构MRI图像的平滑区和边缘纹理区;在每次迭代过程中,先对平滑区采用高阶全变分 (Higher Degree Total Variation,HDTV)算法,后对边缘纹理区采用非局部全变分 (Non-Local Total Variation,NLTV)算法;最后,重构图像是将本文算法迭代结束的平滑区和边缘纹理区图像合并。实验发现：本文算法的重构效果大大优于单纯的TV(Total Variation,全变分)、HDTV、NLTV算法,其重构图像既能有效地滤除噪声和保留了纹理细节信息,又大大抑制了全变分的阶梯效应。     

一种基于图像边缘检测的全变分的去噪方法

提出了一种基于边缘检测的全变分图像去噪方法.在利用全变分去噪之前,先用Canny算子检测图像的边缘,对检测出的边缘区域和非边缘区域做标记;然后在边缘和非边缘区域设置不同的均衡系数,利用全变分模型对图像进行去噪.实验结果表明该算法能抑制以往全变分模型方法产生的阶梯效应,具有较好的图像恢复效果.     

基于自适应耦合局部数字全变分的超分辨重建

如何更好地保持重建图像的边缘信息是当今超分辨率重建技术的一个重要研究课题。针对基于全变分模型的超分辨率重建方法容易产生阶梯效应的不足,利用图像局部模糊熵信息,设计一个表征图像区域结构特征的局部自适应度量函数。利用该函数对全变分模型和超数字化全变分模型进行耦合,进而提出一种基于自适应耦合局部数字全变分模型的超分辨率重建方法。实验结果表明,该方法在保持图像几何边缘结构和消除平坦区域阶梯效应方面能力较强,重建效果较好。     

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。     

方向邻域全变分图像去噪

为了弥补传统全变分（TV）算法忽略了图像边缘方向的不足, 结合梯度幅度和方向提出了基于方向全变分的去噪算法。该算法运用图像梯度幅度将图像像素划分为边缘区域和非边缘区域, 运用梯度方向对不同区域的像素选取不同的四邻域像素, 针对不同邻域对传统TV算法进行离散分析, 完成了图像的保边去噪。实验结果表明, 结合边缘方向信息改进了传统TV算法的邻域选择方式, 不仅更好地保留了图像边缘信息和重要细节, 且提高了图像的PSNR和视觉效果。     

图像平滑的自适应保真全变分模型

提出一种自适应保真的全变分平滑模型,证明其解的稳定性。结合各向同性和全变分的优点,利用扩散系数构造保真项,从而增强图像边缘,该模型根据图像的梯度信息确定门限值进而选择合适的图像平滑方法。在去除噪声和保持边缘的同时避免了“阶梯”效应,实验结果表明,该模型能有效地去除噪声,提高图像的峰值信噪比。     

基于图像分解和相对全变分的图像平滑

图像平滑旨在去除图像中纹理细节信息的同时保留重要的结构边缘,因此如何正确区分二者成了 图像平滑的关键。梯度作为计算图像变化速度的重要指标是区分结构边缘和纹理细节的有效度量,但不同图像 以及同一图像不同区域中的纹理和边缘的梯度差异并非固定不变的。为了能够有效识别结构边缘和纹理细节, 提出了基于图像分解和相对全变分的图像平滑方法。为了扩大结构边缘和纹理细节之间的差异,实现在尽可能 不改变结构边缘的前提下降低纹理细节的梯度,以多方向的梯度为约束对图像进行分解,提取图像的平滑成分。 在特定尺度下,基于图像的区域结构差异,采用相对全变分方法,在保留结构边缘的同时去除该尺度下的纹理 细节。通过迭代优化,不断调整图像区域尺度,实现对不同尺度纹理细节的逐步去除。与现有算法相比,新方 法在有效地去除纹理细节和完整地保留结构边缘方面都具有较好的视觉效果。     

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。     

基于交叠组合稀疏高阶全变分的图像复原

针对传统全变分进行扩展,提出了一种高阶全变分结合交叠组合稀疏的新算法,将像素级别梯度信息推广为高阶交叠组合稀疏梯度信息,更好地抑制了因全变分产生的阶梯效应并保存了图像边缘等细节信息。为了解决提出的图像复原新算法的优化问题,采用交替方向乘子算法（ADMM）来交替求解优化问题。将提出的新算法与其他几种相关算法相比,并用峰值信噪比（PSNR）和结构相似性（SSIM）两个评价指标来评价图像复原后的质量,从而论证了新算法的优越性。     

高阶图像扩散模型的中值公式

经典的TV（Total Variation）模型在对图像扩散的同时能有效保持图像边缘,但该类模型所得到的结果具有明显的阶梯效应,其改进的方案之一是在能量泛函中增加高阶项。但其对应的偏微分方程计算效率非常低。基于中值公式开展了如下研究：给出了TV-L²,TV-L¹变分图像扩散模型中值公式的四邻域、八邻域计算过程实现;提出了基于散度的高阶图像扩散的中值公式。实验证明高阶TV模型能很好地消除阶梯效应,将中值公式应用于图像扩散模型,提高了计算效率。     

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。     

Iterative Image Restoration Combining Total Variation Minimization and a Second-Order Functional

A noise removal technique using partial differential equations (PDEs) is proposed here. It combines the Total Variational (TV) filter with a fourth-order PDE filter. The combined technique is able to preserve edges and at the same time avoid the staircase effect in smooth regions. A weighting function is used in an iterative way to combine the solutions of the TV-filter and the fourth-order filter. Numerical experiments confirm that the new method is able to use less restrictive time step than the fourth-order filter. Numerical examples using images with objects consisting of edge, flat and intermediate regions illustrate advantages of the proposed model. This work has been supported by the Research Council of Norway.     

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。     

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.     

基于P-Laplace算子的小波域图像修补模型

本文研究如何利用不完整的小波系数来恢复原始图像. Chan, Shen 和 Zhou 已经提出了一种基于整体变分 (total variational, TV) 模型的小波域图像修补算法. TV 模型的主要优点是可以保持图像的边缘, 但该模型在平滑区容易产生阶梯效应, 使图像的修补效果不是很理想. 为了克服这个缺陷, 本文首先从局部坐标角度分析了TV模型与p-Laplace算子的物理意义, 从本质上说明了 p-Laplace 算子的扩散性能优于 TV 模型.然后给出了一种基于 p-Laplace 算子的小波域图像修补模型. 该模型不仅有效降低 TV 模型引入的阶梯效应, 而且能保持图像的边缘, 用较少的运算量得到比 TV 模型更好的修补效果. 实验结果表明, 该模型在运算时间和修补效果上都具有更好的综合性能.     

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。     

基于变分PDE的非线性数字混合滤波器

从局部扩散角度分析了经典变分PDE复原模型的不足,给出一种基于全变差模型和调和模型的混合图像复原模型,并导出了相应的数字混合滤波器.该滤波器可以根据图像的局部梯度特征自适应选取滤波器系数,能在去噪的同时保留边缘,并削弱平滑区域的阶梯效应,具有较好的综合性能.针对该混合滤波器,还设计出相应的图像修补和放大算法.大量仿真实验表明,该滤波器可以很好地应用于图像的去噪、修补和放大.     

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。     

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。