二阶TGV结合小波变换模的图像去噪算法.pdfVIP

第37卷 第l期 武汉理工大学学报 (信息与管理工程版) V01．37No．1 2015年2月 JOURNALOFWUT(INFORMATION＆MANAGEMENTENGINEERING) Feb．2015 文章编号：2095—3852(2015)O1—0021一o4 文献标志码：A 二阶TGV结合小波变换模的图像去噪算法 张文静 ，吴传生，刘 欣 (武汉理工大学 理学院，湖北 武汉 430070) 摘 要：研究了总变分(totalvariation，TV)模型在图像去噪中的应用，针对TV正则化模型在图像去噪过 程中容易导致阶梯效应的缺陷，提出利用二阶总广义变分 (totalgeneralizedvariation，TGV)正则项代替TV正 则项的图像去噪模型，并利用小波变换模极大值在检测图像边缘应用中的优点，在TGV正则化模型中引入以 小波变换模为参数值的边缘检测函数 ，利用边缘检测函数引导扩散。该模型具备 良好去噪和保持图像边缘的 优点，还能缓解阶梯效应的产生。 关键词：全变分 ；图像去噪；TGV正则化；小波变换模 中图分类号：029 DOI：10．3963／j．issn．2095—3852．2015．01．006 图像去噪是图像处理领域中的一个经典问 出了大量的改进模型，如四阶偏微分方程模型、二 题，也是图像处理的底层技术之一。图像去噪的 阶与四阶偏微分方程相结合的模型、LOT模型及 目的是根据观察到的降质图像恢复原始真实图 TV—Stokes模型等 。 像。在实际去噪过程中，一般图像中的噪声是不 2009年，BREDIES等提出了总广义变分 (to． 能够完全去除的，因此很难获得原始不含噪声的 talgeneralizedvariation，TGV) -3]的数学概念 。 图像，而是得到原始不含噪图像的估计图像，也是 不同于TV，TGV能够有效逼近任意阶的多项式 某种意义下的最优逼近。 函数，并且还具有旋转不变性 、凸性和下半连续等 图像去噪方法很多，按照处理域的不同，图像 优 良性质。许多理论分析和实验结果都表明， 去噪方法主要分为两大类：空间域去噪和变换域 TGV作为正则项在进行建模时能够较好地防止 去噪。空间域方法有均值滤波、中值滤波、非局部 阶梯效应 的产生。 平均滤波等；变换域去噪方法有基于傅里叶变换 笔者提出了用二阶TGV正则项代替TV正则 的降噪法和基于小波变换的去噪方法等。基于偏 项的图像去噪模型，该模型在去噪的同时能够避 微分方程 (partialdifferentialequation，PDE)的图 免阶梯效应的产生。同时，笔者研究了小波变换 像去噪方法是空间域去噪的一种重要方法。偏微 的模在边缘检测时的优 良性质，引入以小波变换 分方程 的应用主要分为两类 ：一种是基于方程的 模为参数的边缘检测函数，使新模型能够对 图像 模型，另一种是基于变分法的思想 。 边缘和细节信息进行更好的保护。 在利用变分法去除图像噪声的方法中，经典 1 TV与 TGV 的模型为 RUDIN等提出的rⅣ 模型_lJ。TV模型 克服了许多传统方法的不足，在去除噪声的同时 根据噪声性质的不同，有不同的图像模型。 能够较好地保持图像的边缘，且 TV模型具有成 笔者主要考虑加性噪声的情况，因此，图像去噪的 熟的解的适定性质及数值解