基于全变分的运动分割模型及分裂 Bregman 算法

提出了一种基于全变分的运动分割模型,可以适用于2D/3D视频.首先, 通过活动轮廓模型将分割与估计融合在同一能量函数中, 该模型能够同时进行分割曲面的演化和运动参数的估计. 其次,通过凸松弛方法将原始问题转化为等价的全变分模型, 克服了局部最小值问题.最后,采用分裂Bregman快速算法进行求解. 多组实验证明了本文方法对2D/3D视频的通用性和算法的高效性.     

稀疏性正则化的图像泊松恢复模型及分裂Bregman迭代算法

生物医学、天文等成像系统通常会受到泊松噪声的干扰, 基于图像在过完备字典下的稀疏表示, 在贝叶斯最大后验概率估计框架下, 建立了针对泊松噪声的稀疏性正则化图像恢复凸变分模型, 采用负log的泊松似然函数作为数据保真项, 模型中非光滑的正则项约束图像表示系数的稀疏性, 并附加恢复图像的非负性约束. 进一步, 基于分裂Bregman方法, 提出了求解该模型的多步迭代快速算法, 通过引入辅助变量与Bregman距离, 可将原问题转化为两个简单子问题的迭代求解, 大幅度降低了计算复杂性. 实验结果验证了本文模型与数值算法的有效性.     

自适应全变分图像去噪模型及其快速求解*

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上,利用边缘检测算子选取自适应参数,构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型,并基于Bregman迭代正则化方法设计了其快速迭代求解算法.实验结果表明,自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高.     

分裂Bregman优化的总变分遥感图像复原

遥感成像过程中,受传感器固有局限、大气湍流等影响,图像会出现严重复杂的退化。相较普通图像复原,遥感图像复原后,细节应该更加丰富。然而,传统的Wiener滤波、Richardson-Lucy等复原方法,很难有效地抑噪声保细节。而且,默认的高斯噪声模型常与实际不符。本文基于总变分正则化的方法,对遥感图像进行复原,能够鲁棒去除各种噪声,且较好保持了细节信息。对TV正则化泛函寻优,采用分裂Bregman方法,通过引入辅助变量将原问题转化为三个简单子问题的迭代求解,降低了计算复杂度。实验证明,所提方法能有效复原不同噪声污染的遥感图像,较好地保持了细节信息。     

基于分数阶变分的图像泊松去噪模型

为了进一步提高图像去噪的效果,针对图像泊松噪声的特点,提出了一种有效的基于分数阶导数的图像泊松去噪的变分模型。该模型继承了全变分模型去噪效果良好的优点,并且很好地利用分数阶微分特有的幅频特性优势,在处理图像细节和纹理特征方面很好的保留了图像的“弱信息”。数值实验结果表明,该分数阶变分方法的去噪效果优于传统的整数阶变分方法,能很好地保留图像的边缘细节特征。     

重复加权极小化MR图像模型的分裂Bregman方法重构

核磁共振(magnetic resonance,MR)图像重构的任务是基于小量的频域采样恢复出可供医学诊断的灰度图像.文中研究了各类MR变分重构模型,利用重复加权极小化能增强稀疏性的特性,并结合MR图像重构最有效的小波变分模型,提出了重复加权极小化MR图像重构模型.并借助最新的正则化技术—分裂Bregman方法对模型进行了求解,得到了相应的迭代算法,分析了算法的收敛性.仿真数值实验验证了文中的模型及算法的有效性.     

稀疏性正则化的图像Laplace去噪及PR算子分裂算法*

在Bayesian-MAP框架下,建立了针对Laplace噪声的稀疏性正则化图像去噪凸变分模型,模型采用L1范数作为数据保真项,非光滑的正则项约束图像在过完备字典下表示系数的稀疏性。进一步基于Peaceman-Rachford算子分裂算法,提出了数值求解该非光滑模型的多步迭代快速算法,通过引入保真项与稀疏性正则项的邻近算子,可将原问题转换为两个简单子问题的迭代求解,降低了计算复杂性。实验结果验证了模型与数值算法的有效性,本算法在摄像自动报靶系统中得到了应用。     

采用分裂Bregman的遥感影像亮度不均变分校正方法

目的：遥感影像成像过程由于受到传感器自身以及其他一些外部环境因素的影响,往往会呈现出整体的亮度不均,导致遥感影像解译和制图精度的降低。因此,需要对遥感影像进行亮度不均匀校正,提高影像的质量。方法：感知驱动的亮度不均变分校正方法,是一种新型的单幅遥感影像亮度不均校正方法,它受人眼视觉系统特性的启发,能够在有效校正影像整体亮度的同时增强局部对比度。本文用分裂Bregman迭代实现了对感知驱动亮度不均变分校正模型的最优化求解,在实现对影像整体亮度不均校正的同时,大幅提高了计算效率。结果：模拟实验和真实实验结果均表明采用分裂Bregman的亮度不均变分校正模型需要较少的计算时间,从效率上比采用最速下降法的校正模型提高了约6到7倍。结论：分裂Bregman方法能够有效求解感知驱动亮度不均变分模型,在保证校正结果整体亮度均匀,局部对比度增强的前提下,大大提高运算效率。     

基于自适应正则化的全变分去噪算法

Stanley Osher和Martin Burger提出的基于Bregman距离的迭代正则化全变分去噪算法运算速度较快,但是应用于图像去噪时,没有考虑不同区域的灰度分布特性,从而容易导致纹理等重要信息丢失或模糊的缺陷.针对这一现象,提出了一种基于自适应正则化的全变分去噪算法.论文对Osher的去噪模型中的全局正则化参数进行改进,给出了一种根据图像中不同区域的灰度分布特性,自适应选取正则化参数的方法.该算法可以保留图像的边缘和纹理细节信息.实验结果证实了所提算法的有效性,其信噪比较原有方法至少提高1.0 dB以上.     

一种融合结构张量与非局域全变分的图像去噪方法

针对图像去噪中纹理与结构保持,提出了一种融合结构张量与非局域全变分的图像去噪模型。该模型利用非局域思想对图像中的各个像素点进行建模,定义了融合图像非局域信息与结构张量的相似性权重,一方面度量patch间的灰度相似性,能够较好的保持图像的纹理特性;另一方面兼顾图像的几何结构特性,能够调节不同对比度patch之间权重,尤其是提高了低对比度区域的权重值,同时较少阶梯效应的产生。数值实验表明本文方法在去噪的同时很好的保留了图像纹理细节与几何结构信息。     

Reweighted minimization model for MR image reconstruction with split Bregman method

Magnetic resonance(MR) image reconstruction is to get a practicable gray-scale image from few frequency domain coefficients.In this paper,different reweighted minimization models for MR image reconstruction are studied,and a novel model named reweighted wavelet+TV minimization model is proposed.By using split Bregman method,an iteration minimization algorithm for solving this new model is obtained,and its convergence is established.Numerical simulations show that the proposed model and its algorithm are feasible and highly efficient.     

基于分块思想的最小化总变差去噪新算法

现有的图像分块方法在处理前将源噪声图像分割成不同的小块,分别独立进行去噪,最后将所有小块拼接。该方法所得图像的去噪效果有一定程度的提高,但在相邻分块结合处存在不连续。对去噪方法的现状进行了分析,并结合最小化总变差及分块思想,提出新的去噪方法:在每小块处理过程中,分块值参与判断终止,整幅图像值计算去噪图像;对各块所得去噪图像取均值,得到最终的结果;对新算法进行优化,提高了算法运行效率。分析实验结果表明,该方法在计算效率和信噪比上均有显著提高。     

一种改进的各向异性全变差去噪模型

全变差（TV）正则化模型是最经典的去噪模型,利用分裂的Bregman迭代算法可以简单有效地求解该模型。结合TV-L1模型和OSV模型,提出了一种改进的各向异性全变差去噪模型,并且利用分裂的Bregman迭代算法进行求解。通过数值实验可以看出改进的模型保护了恢复图像的边缘,突出了几何特征和纹理,使其更加清晰,去噪效果比原模型有所提高。     

基于全散度的C-V模型阈值法

为了提高传统C-V模型的收敛速度并降低其对噪声的敏感性,提出基于全散度的C-V模型及其快速阈值分割算法。将Bregman散度与全散度统一获得新的全散度,并将其引入C-V模型的拟合偏差项,提高图像灰度值与分割区域平均灰度偏差值计算的鲁棒性。同时,采用变分水平集理论获得基于直方图的快速阈值计算方法。实验结果表明,该方法分割效果及收敛速度得到提高,且具有较好的鲁棒性和抗噪性。     

基于偏微分方程的肉品图像去噪对比研究

肉品中含有水分,或者切割过程中产生的脂肪碎屑或结缔组织,其可见光图像容易产生噪声。基于偏微分方程模型的算法去噪同时能够保持图像的某些特征,常见的有Perona-Malik模型、全变差ROF模型、Y-K四阶模型。通过对Lena图像加入高斯噪声和椒盐噪声,对比了三种模型的信噪比、方法噪声及运算时间。在此基础上,以猪肉图像为去噪对象,比较三种算法的性能。结果表明:ROF模型在去除噪声的同时,保持细节的能力强于其他两种模型,YK四阶偏微分方程模型能够去除噪声,但是图像模糊。去噪效果最差的是P-M模型。