数字图像与非线性混合异性扩散恢复算法.docVIP

数字图像的非线性混合异性扩散恢复算法 马少贤 江成顺 （，@） Digital Image Restoration Algorithm Based on Nonlinear Mixed Anisotropic Diffusion MA Shao-xian， Cheng-shun (Institute of Information Engineering, Information Engineering University, Zhengzhou 450002) Abstract: A image restoration algorithm based on nonlinear mixed anisotropic diffusion equation and total variation method is proposed, which combines the nonlinear anisotropic diffusion equation with the total variation method. The experimental results show that, the model can not only remove noise but also enhance edges and keep their locality, and it can also keep textures. Because of these favorable characteristics, not only do the processed images look much clearer and smoother, but also significant details are kept, resulting in appealing vision. Keywords: image restoration; nonlinear anisotropic diffusion equation; total variation 1 引言 图像恢复是数字图像处理中的一个重要分支，它的主要目的是改善退化图像的质量。由于实际中设备的不完善和物理的限制，所获得的图像通常达不到期望的质量。因此，原始图像的恢复是非常必要的。目前图像恢复的方法有很多种，采用偏微分方程方法处理是一种发展较快的新方法。 基于偏微分方程的恢复方法大致可分为两类：基于非线性扩散方程的方法[1-6]和基于能量泛函的变分方法[7-10]。这些方法相互影响、相互作用，彼此之间存在着紧密的联系。针对这些联系，本文在这两种方法的基础上，将全变分和非线性混合异性扩散方程的扩散项有机结合，提出了一种新的图像恢复模型，较好的改善了图像的恢复质量，提高了去噪性能。 2 预备知识 2.1 全变分模型 对于降质图像，其通用的模型为 其中为原始图像，为观测图像，通常为标准偏差为的高斯白噪声，为一个模糊算子。 要通过来恢复显然是一个不适定问题，而求解不适定问题的一个经典方法就是正则化方法。1992年Rudin、Osher和Fatemi[7]提出了一种正则化方法，即全变分(TV: Total variation)正则化方法。它能够很好的保持图像边缘，是目前为止保持边缘图像恢复问题中比较成功的方法。其提出了如下的能量极小化问题： 其中是正参数，为观测图像。 由变分原理，式对应的Euler-Lagrange方程为 相应的扩散方程为 在式中，方程右边第一项可以理解为非线性扩散算子，影响着算法的扩散性能，其扩散系数决定了光滑程度。从这个角度去看，TV方法是一种具有自适应性质的光滑问题。因此，全变分最小化也可以看成是基于非线性扩散方程的一种特殊形式。 2.2 非线性扩散模型 Perona和Malik[1]首先将各向异性扩散方程(anisotropic diffusion equation)引入图像处理，其提出了传导系数可变的异性扩散方程： 其中为散度算子，为梯度算子。当为常数1时，方程就变为各向同性的热传导方程。 Alvarez等对P-M模型进行了改进，提出了退化扩散模型[2]： 其中为高斯平滑核，为梯度的局部估计，为非增实函数，且时，趋向于0。 方程中的因子用于边缘的增强，它控制着扩散的速度。因为表示图像梯度的高斯平滑，如果图像梯度在点处的邻域内具有较小的加权平均值，则点邻域内的灰度变化比较平缓。为非增实函数，所以此处的扩散速度较强。反之，在图像的边缘点上，其梯度的邻域内具有较大的加权平均值，从而扩散速度较小。所以，退化扩散模型的解使得图像边缘得以保持，而灰度变化不大的地方更加平滑。 结合退化扩散方程和热扩散方程，我们考虑下面的非线性扩散模型： 在方程的右端，第