基于P（x）-Laplace流的向量值图像恢复模型.pdfVIP

第9卷 第1期 软 件 导 刊 Vo1．9No．1 2010年 1月 SoftwarcGuide Jan．2010 基于P(x)一Laplace流的向量值图像恢复模型 董 刚 (东北农业大学 成栋学院，黑龙江 哈尔滨 150030) 摘 要 ：提 出一种基于变指数型扩散方程的向量值图像 (例如RGB图像或 多谱图像)恢复模型。在新的模型中。我们 利用光滑后 向量值 图像 的几何流形特征来判断图像 的真假边缘 ，利用 P(x)一Laplace型扩散 系数来控制扩散量和扩 散方向。由于扩散 系数具有 良好的 自适应判断边缘能力，新的模型在图像恢复的同时良好地保持 了图像边缘。通过 数值 实验 ，对比以往的全变差模型，所提模型具有更好的图像恢复效果．明显减少了“块状”效应 关键词 ：变指数扩散：偏微分方程：向量值图像 ：图像恢复 中图分类号 ：TP391．41 文献标识码 ：A 文章编号 ：1672—7800(2010)02—0168—03 对于单位 向量 =(，)=(cosO，sin0)，du()代表在 曲面u 0 引言 (x，Y)上沿着方向 的变化率。设矩阵f 1的特征值为 、 J U ， 本文的 目的是对 以往的模型进行改进 ．提出新的更优的向 + ， 入一，分别对应 的单位特征向量为 (cosO+，sin0+)，(cosO一，sin0一)。 量值图像恢复模型。据我们所知 ，向量值图像边界本质的刻画 此时 ，0+是曲面 u(X，Y)的最大变化方 向，入+是最大变化率；0一是 是模型建立的关键 。为此 ，我们从向量值图像的本质特征着手． 曲面u(x，Y)的最小变化方向，入是最小变化率。当m：1时，即对 综合中对向量值图像边界的理解 ，将恰当的边界探测算子应用 应于灰度图像 的情形 ，可以得到入+：IfVulI，一=0，并且 (cos0+， 到图像恢复模型中。另外 ，我们发现 P—M模型中，扩散系数 中 sin0+)／／V11，这和灰度图像恢复模型中的图像梯度 I fI是一 梯度模 的指数和阈值是 固定的。但对于 自然图像 ，各处的边界 致的。因此，在向量值图像中用 f=f(x+，入一)来衡量图像 u(X，Y)的 变化可能是不一样 的。因此 ．我们采用变化指数的扩散系数来 变化是合理的。更进一步 ，考虑到 和 的几何意义 ，可以令f 选择扩散量和扩散方向。建立了一个新的变化系数的各向异性 是关于 ( ， )的函数 ，例如取 ～：( )P／P0。在本文中， 扩散方程进行去噪。 我们定义如下 向量值图像 的梯度模 ：