基于非局部p―Laplacian泛函的图像放大方法.docVIP

基于非局部p―Laplacian泛函的图像放大方法 　　摘要：非局部方法思想在图像处理上的应用给图像处理领域提供了一种新的思维方式，本文基于非局部方法提出一种基于非局部p-Laplacian泛函的图像放大方法。本方法更大范围的利用了图像本身的信息，将设定窗口内灰度值相似的像素点全部纳入算法中，在一定程度上解决了传统放大方法的局部性问题。实验证明该方法可以使图像放大减少之字形和阶梯化效果 关键词：非局 p-Laplacian 图像放大 中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）11-0065-02 图像的放大研究已经成为计算机视觉处理上的热门，现有研究较为成熟的局部方法和频率域滤波方法，其相较于保留细节和纹理更注重在在减少噪声和对主要的几何构型的重建。经过国内外学者多年的不断研究，建立了很多经典的PDE模型，有：均值曲率运动（Mean Curvature Motion）、热扩散模型、TV（Total Variation）模型、P-M（Perona and Malik）模型、p-Laplace模型、测地活动轮廓模型（Geodesic Active Contour）等。这些模型是基于梯度等特征构建的，这使得模型并不能准确的指示图像的特征信息（边缘、细节、纹理等） 而本文讨论的非局部方法在自然图像的冗余处理方面有更大的优势。非局部方法的主要思想是选定适当窗口，将窗口内所有的像素点而不只是用单个像素点纳入处理算法中。这样更大范围地利用了图像本身的信息，得到的放大图像较好地保留了图像的细节和纹理等特征，更有效地改善了图像放大质量 2005年，Buades，Coll，Morel等人首次提出了非局部均值（Nonlocal Means，NLM）模型[1]，同年Kindermann， Osher， Jones等人给出NLM模型的变分解释[2]，Andreu证明了在p1的情况下，非局部p-Laplacian扩散方程的强解的存在性，唯一性[3]，Bougleux，Elmoataz等人于2007年在有关图的相关概念的基础上提出了加权p-Laplacian算子的概念[4] 1 基础知识 1.1 非局部p-Laplacian方法 非局部正则p-Laplacian模型[5-6]克服了2004年BG提出的偏微分图像密度在局部梯度方向上扩散的缺点。在新模型下，图像的灰度值扩散沿着图像特征方向而不是梯度方向，在沿着图像特征的方向使平滑达到最大。总的正则化矩阵结合了非局部正则p-Laplacian模型和正则化TV模型的优点。由此推导出的模型有效的实现了图像的重建，实现了自然的插值，同时降低了模糊化和阶梯效应 Kindermann， Osher， Jones等人给出的NLM模型的变分解释从如下非局部泛函的最小化给出 （1） 由此可以导出一系列经典的非局部泛函，当时，即导出非局部p-Laplacian泛函 （2） 其中当p取1时与TV模型有相似的性质。公式（2）广泛应用于图像处理的各个领域。当p=1时与TV模型有相似的性质。F. ANDREU， J. M. MAZON， J. D. ROSSI AND J. TOLEDO等人于2008年证明了公式（2）在p1的情况下，非局部p-Laplacian扩散方程的解具有存在性，唯一性以及收敛性[7] 进而，泛函（2）其关于u的变分为： （3） 各向异性的扩散方向由式（3）中的项确定，这种方法比梯度方法更逼近于边界曲线的方向。当1 　　可以看到lena图由本文方法放大的细节保留较好；对于纹理图像，放大之后肉眼观察差异并不明显；对于自然图像放大部分本文方法放大图像较之Chambolle方法放大图像纹理更加清晰 下面我们给出客观对比数据来评价图像放大效果的好坏。本文算法与Chambolle 算法的放大性能比较。如表2所示 通过对比我们发现本文算法在处理细节丰富的图上有较好的效果，但是本文算法计算量较之Chambolle算法大很多，复杂度为。理论上选取的搜索框h和块b的大小越大越好，因为本文算法是依赖全图信息的 4 结语 本文是将优秀的Chambolle放大模型与非局部p-Laplacian思想结合的方法，经过最小化本文模型，得出我们的放大图像。经比较，本文适用于处理细节丰富的图像，对于纹理图像处理效果不明显，且计算量大。后期工作仍在完善模型的放大效果上 参考文献 [1]Buades A， Coll B， Morel J M. A Review of Image Denoising Algorithms， with a New One[J].Siam Journal on Mult