一种PDE图像分解去噪模型及算法

通过分析ROF(Rudin,Osher and Fatemi)模型和LLT（lysaker,lundervold and Tai)模型在处理噪声图像时存在的缺陷,以及纹理部分和噪声部分之间的差异,将图像分解思想和ROF模型与LLT模型相结合,提出了一种新的分解去噪模型：DD(decomposition and denoising)模型。该模型在处理噪声图像时,将噪声图像分解为结构、纹理和噪声3部分,从而达到既去噪又能分解的目的。进一步通过仿真试验,验证了DD模型和算法的合理性及有效性。     

图像去噪中的纹理保护方法研究

基于偏微分方程及变分极值最小化的图像平滑方法可以有效地去除噪声,而且能够保护边缘信息,但由于噪声及纹理难以区分,使得纹理信息无法保留。提出一种纹理保护滤波算法,该算法利用图像分解模型将图像分解为几何结构分量及噪声/纹理分量,计算后者的局部方差,与传统变分能量最小化方法中的偏差惩罚项结合形成随纹理变化的约束,得到的模型在纹理区域滤波减少,从而保护了纹理信息。实验在视觉效果上得到了预期的结果,信噪比的计算对比也可以证明算法的有效性。     

去除阶梯效应的[TV+H1+H0]变分分解模型

针对基于全变分（Total Variation,TV）极小的变分分解中,结构分量中容易出现阶梯现象而降低图像视觉效果的缺点,提出了一个去除阶梯效应的[TV+H1+H0]变分分解模型。新模型分别采用TV刻画结构分量的分片常值,采用[H1]半范数刻画分片光滑,则图像结构被看成是TV分量与[H1]分量之和。由于新的结构中包含了分片光滑的[H1]分量,所以可以一定程度去除阶梯现象。理论证明了模型的解的非平凡性,并且采用交替迭代算法对模型进行了数值求解。实验中以噪声人造图像和自然图像为实验对象,将分解模型应用到图像去噪,相对于经典的ROF模型和PVD模型,新模型取得了明显的优势。     

去除阶梯效应和震荡提取的分片变分分解模型

为了去除在变分图像分解中TV模型结构部分出现的阶梯现象和精确地提取震荡部分,提出一个分片变分分解模型.该模型将图像的支撑集聚类为2个不同性质的区域,在平滑区域采用固定边界的Mumford-Shah模型进行分解,以去除平滑区域内的阶梯现象;再在过渡区域采用(BV,G)分解,以此来精确地提取图像的震荡部分;然后对模型存在非平凡解的条件进行了讨论;最后采用梯度下降和有限差分对模型进行交替迭代求解.理论分析和与TV模型的对比实验结果表明,文中模型能很好地去除结构分量中的阶梯现象,并且能精确地提取图像的噪声和纹理.     

结构-纹理字典学习的图像分解模型与算法

为了分离出图像中具有不同特征的成分,结合变分与字典学习方法,提出一种图像分解模型和结构-纹理字典学习算法.首先在模型中引入字典约束项,使得结构-纹理学习字典互不相关,增强了2个字典的独立性;然后使用投影梯度下降算法给出一种带有字典约束的交替字典学习算法.实验结果表明,采用该算法学习得到的自适应字典可以有效地刻画图像的不同成分,不仅很好地分开了图像的结构和纹理,并且能去除噪声,最终得到高质量的图像分解结果.     

基于图像分解的含噪破损图像修复

对Meyer图像分解模型进行改进,所得到的新模型SID(Simplified image decomposition)无需Banach空间的范数计算,降低了计算复杂度.使用SID首先分离出图像中的大部分噪声,然后将剩余部分分解成结构部分和纹理部分.对结构部分使用简化的整体变分修复算法,对噪声部分和纹理部分使用基于样本的纹理合成,再将结果融合.实验结果表明,该方法克服了单独使用整体变分修复算法纹理合成的局限性,对噪声具有较好的鲁棒性.     

基于结构纹理分解的矿井图像增强方法

矿井下存在低照度、多灰尘现象,导致监控视频采集的图像具有光照不均、模糊及细节丢失的问题,影响后续智能图像识别,现有矿井图像增强方法普遍存在图像纹理细节不清晰、视觉效果差的问题。提出了一种基于结构纹理分解的图像增强方法。首先,利用maxRGB算法对原始图像提取初始光照分量,接着构建优化目标函数,依次优化求解初始光照分量中的结构分量、纹理分量及噪声分量：先对初始光照分量进行加权引导滤波,作为先验约束,迭代获得边缘清晰的结构分量;再结合最大邻域差方法和加权平均局部变分构建局部变化偏差函数,作为约束权重,迭代得到细节丰富的纹理分量。然后,将原始图像转换到HSV颜色空间,提取出原始图像的亮度分量,并结合结构分量、纹理分量及噪声分量,利用Retinex理论进行重构,得到增强后的初始亮度分量。为避免亮度过增强,引入带有截断因子的自适应伽马校正（AGCWD）处理图像初始亮度信息,以获得最终的亮度分量。最后,将图像转换到RGB颜色空间,得到增强图像。实验结果表明：(1)基于结构纹理分解的图像增强算法能保证图像边缘纹理细节更加清晰,减少了图像增强过程中的光晕伪影,且增强后的图像灰度直方图更均衡。(2)与结...     

一种改进正态逆高斯分布模型的图像去噪算法*

针对传统去噪算法去除含噪声较大的图像时仍有部分噪声残留的问题,本文基于变换域提出一种改进正态逆高斯分布的图像去噪算法。该算法在非下采样剪切波变换域,利用最优线性插值阈值函数改进正态逆高斯模型作为系数分布模型,对高频子带分解系数进行统计建模,以贝叶斯最大后验概率理论实现图像去噪。实验结果表明对于添加不同标准差的高斯白噪声图像,该算法在有效保留图像细节和纹理信息的同时在峰值信噪比方面优于同类去噪算法。     

基于阈值函数和TV模型的印章图像去噪

为了进一步提高针对印章图像的去噪性能,提出了一种基于阈值函数和TV模型的印章图像去噪方法。首先对含噪印章图像进行Contourlet分解;然后低频部分利用自适应TV模型进行扩散,高频部分通过阈值函数进行筛选;最后经Contourlet逆变换重构印章图像。实验结果表明,与小波阈值法、小波扩散法及Contourlet阈值法相比,该方法能有效地去除高斯白噪声和椒盐噪声的混合噪声,提高峰值信噪比,并较好地保留图像的细节和纹理,具有更好的视觉效果。     

基于结构的纹理合成

提出一种纹理合成算法，首先将经验模型分解(EMD)算法引入到纹理合成领域，对样本图像的纹理结构进行提取；然后应用分片采样算法和Markov随机场(MRF)模型生成输出纹理的结构，对于结构之间的空白区域，采用距离变换方法分片提取其不规则的形状并进行填充。实验结果表明，该算法不仅简单、快速、合成质量高，而且具有广泛的适用性。     

Adaptive variational models for image decomposition

Image decomposition refers to the splitting of an image into two or more components.In this paper,a clean image is separated into two parts:one is the cartoon component,consisting only of geometric structure,and the other is the oscillatory component,consisting of texture.Three parts for noisy image are considered:cartoon,texture,and noise.To better decompose an image,we propose two new variational models.In our models,two adaptive regularization terms are introduced.The two regularization terms are determined by an adaptive function which can discriminate the cartoon and texture of an image automatically.Experimental results illustrate the efectiveness of the proposed models for image decomposition.     

基于分组字典与变分模型的图像去噪算法

针对加性高斯噪声去除问题，在现有传统的K均值奇异值分解（K-SVD）字典学习算法的基础上，提出一种将字典学习与变分模型相融合的改进算法。首先，根据图像的几何和光度信息将图像进行聚类分组，再将图像组按照边缘和纹理类别进行分类，根据噪声水平和图像组类别训练一个自适应字典；其次，将通过所学字典得到的稀疏表示先验与图像本身的非局部相似先验进行融合来构建变分模型；最后，通过求解变分模型得到去噪后图像。实验结果表明，与同类去噪算法相比，当噪声比率较高时，所提算法可以解决前期算法准确性较差、纹理丢失较为严重、产生视觉伪影等问题，在视觉效果上要更为理想；同时该算法结构相似性指数有明显提高，峰值信噪比（PSNR）的值更是平均提高了10%以上。     

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。     

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.     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

基于暗原色先验与变分正则化的图像去雾研究

现有雾天图像处理方法能够实现较好的去雾效果,但会丢失部分细节并产生噪声放大的问题。将暗原色先验与基于TV、BH规则项的变分模型相结合,提出一种新的变分去雾模型H-TVBH。根据暗原色先验原理估计图像的初始透射率,采用四叉树分解估计大气光值,将初始透射率和大气光值输入H-TVBH模型中,采用分裂Bregman算法和快速傅立叶变换并引入辅助变量和Bregman迭代参数,通过交替迭代求得优化后的透射率和去雾图像。实验结果表明,H-TVBH在增强图像对比度的同时能够有效抑制图像中的噪声,保留图像的纹理细节,使去雾图像更加清晰自然。     

相关对齐的总变分风格迁移新模型

目的 图像的风格迁移是近年来机器视觉领域的研究热点之一。针对传统基于卷积神经网络（CNN）的图像风格迁移方法得到的结果图像存在风格纹理不均匀、噪声增强及迭代时间长等问题,本文在CNN框架下提出了一种基于相关对齐的总变分图像风格迁移新模型。方法 在详细地分析了传统风格迁移方法的基础上,新模型引入了基于相关对齐的风格纹理提取方法,通过最小化损失函数,使得风格信息更加均匀地分布在结果图像中。通过分析比较CNN分解图像后不同卷积层的重构结果,提出了新的卷积层选择策略,以有效地提高风格迁移模型的效率。新模型引入了经典的总变分正则,以有效地抑制风格迁移过程中产生的噪声,使结果图像具有更好的视觉效果。结果 仿真实验结果说明,相对于传统方法,本文方法得到的结果图像在风格纹理和内容信息上均有更好的表现,即在风格纹理更加均匀细腻的基础上较好地保留了内容图像的信息。另外,新模型可以有效地抑制风格迁移过程中产生的噪声,且具有更高的运行效率（新模型比传统模型迭代时间减少了约30%）。结论 与传统方法相比,本文方法得到的结果图像在视觉效果方面有更好的表现,且其效率明显优于传统的风格迁移模型。     

二维彩色图像的蜡笔画风格实现

提出了一种基于2D图像的蜡笔画风格自动生成算法,通过分析真实蜡笔画纹理的结构特征和艺术特点,抽象出蜡笔画的简单模型,探索地利用了噪声纹理方法,结合图像自身轮廓信息,分别完成了图像色彩区域和轮廓区域的蜡笔画风格渲染,并在YIQ颜色空间运用FLIC算法生成了笔触的走势纹理,使最终产生的结果非常相似于手绘效果,从而实现了计算机辅助生成蜡笔画风格的目的。