自适应双向扩散图像恢复 毕业论文外文翻译.docVIP

外文文献翻译 1.外文文献：  1.外文翻译译文： 自适应双向扩散图像恢复 摘要大量的应用在图像处理和计算机视觉依赖于图像质量在本文中，结与各向异性扩散不同的权重，我们提出自适应双向扩散法进行图像去噪。此外，我们引入到数据保真度的术语，它形成了一个空间上变化的约束的梯度因子，并允许更好地恢复图像边缘和细节。为了获得一个稳定的解决方案，我们开发了一个数值稳定的计划，并给予其理论分析。最后，我们将展示清晰的边缘，这种方法的优点去噪和恢复与其他相关的实验方法相比，细节图像。关键词图像复原，双向扩散，反扩散，各向异性扩散，稳定，空间变化的约束引言 像往常一样，我们考虑下面的图像恢复模型：， (2) 在这里，第一项是编码事先假设的正则化项，而第二个可确保观测到的数据还原的图像是的。这是一个经典的方式来介绍一个空间平滑假设吉洪诺夫和砷环的[3] 。然而，它的边缘图像的梯度范数。其实，的正规化相当于解决一个偏各向同性热扩散方程[4]，它可以生成一个线性尺度空间表示的图像[ 5，6 ]。为了获得图像边缘检测的边缘直接定位，Perona和马利克[ 7 ] 提出的非线性扩散相方程。自那时以来，大量的非线性边缘提出了保持扩散方程的图像去噪，边缘检测，图像恢复和分割等[ 8，16 ]。 在这里，我们主要关注的是模糊算子H 下盲图像去模糊一个扩散过程的逆扩散图像退化，自然是一种有效的图像方法[ 17-19 ] 。然而，反扩散是非常不稳定的。在本文中，提出以适当的偏置扩散系数扩散相结合，我们提出了一种自适应双向扩散的图像复原方法。使用稳定技术精心研制的向扩散项，我们得到一个稳定的数值方案。与此同时，我们引入一个空间变化的正规化参数恢复更好的图像其重要特点。本文的结构如下。在第2节，回顾相关的扩散方法，提出了自适应双向扩散法。然后，在3节中，数值实现理论分析进行了讨论。在第4节中，我们将展示其优势清晰的边缘，去噪在实验中的图像细节还原。第5得出结论。 早在1955年，Kovasznay约瑟[ 20 ]介绍的“扩散”图像处理，在那里他们假定图像退化过程的热扩散方程，并提出了一个扩大U（x，t）增强算子泰勒。扩散处理后来有不同的图像复原方法，如随机变分正则化，区域化，尺度空间滤波，各向异性扩散，等[ 2，13，21–23 ]。我们简要介绍了。在吉洪诺夫正则化[ 3 ]中，我们考虑以下的： (3) 其中λ是一个正的加权参数。其相应的欧拉 - 拉格朗日方程 （4） 对公式（4）使用人工时间推进法近似求解： （5） 诺伊曼边界条件和u0作为初始数据。，这是一个偏各向同性扩散方程。尺度空间滤波理论架构，计算机视觉是一个多尺度的信号表示图像和信号处理[5]。它代表平滑图像作为一个不同尺度空间参数是用于抑制细尺度图像的平滑核的大小结构。可以等效地被看作是各向同性热扩散方程的解[ 6 ]。然而，各向同性扩散不能保存图像边缘平滑的本图像中的一切。佩罗娜和马利克[7]提出的边缘保留各向异性扩散公式： 其中g是一个非增的光滑函数，从而导致空间的图像选择性平滑。包括在法线方向落后的扩散过程的等照度线的图像，它可以去模糊图像的边缘，在一个稳定的。另外，考虑到在该空间的变化和边缘方向的同时，等[8]提出的平均曲率运动积分方程： 其中一个高斯平滑内核。这种模式只进行正向扩散沿当的切线方向的边缘有选择性地。假定它是通过一个线性系统，其脉冲响应是一个高斯函数[24]滤波后图像相当于一个共同的信号和图像退化模型（模糊）。这种模糊处理量与给定的图像作为初始数据运行了一段时间的热扩散方程。因此，为了去模糊图像相当于反扩散过程。换句话说，它是一个的扩散过程。伽柏提出了基于定向敏感滤波的图像去模糊方法[24]: （8） 和是二阶方向导数的图像在当时切线和法线方向的等照度线，和c一样是一个常数。反复进行这个过程，将导致一个定向扩散方程（包括沿切线方向）反向扩散。 然而，图像去模糊的反扩散是特别不稳定的。众所周知，特殊的恢复技术需要稳定的过程[ 11，18，19，25 ]。 2.3 自适应双向扩散 同时，图像去噪和去模糊是图像复原的一个共同的过程。在盲图像去模糊中未知模糊算子H的情况下，我们提出以下的自适应双向扩散方程： （9） 一个非增函数当时，同时，当时。 我们举一个简单的模型（9） （10） 正如它的名字“双向扩散” ， （10）中的第一项是一个的扩散过程，主要用于在向去模糊图像在边界地区有 0 ，第二项是正向扩散过程在切线方向上，主要用于均质区域 1，其中图像是由有选择