基于L0梯度最小化的图像平滑方法研究-计算机科学与技术专业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取 得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人 已经发表或撰写过的研究成果，也不包含为获得 天津理工大学 或其他教育 机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的 任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名： 签字日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解 天津理工大 学 有关保留、使用学位论文的规 定。特授权 天津理工大学 可以将学位论文的全部或部分内容编入有关数据 库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编，以供查阅和 借阅。同意学校向国家有关部门或机构送交论文的复本和电子文件。 （保密的学位论文在解密后适用本授权说明） 学位论文作者签名： 导师签名： 签字日期： 年 月 日 签字日期： 年 月 日 摘要 图像具有丰富且结构良好的视觉信息，但在传输或获取过程中往往受到噪声的干扰 而产生误差。这不但对图像的视觉效果产生了很坏的影响，更给后续的图像分析处理带 来了很大困难。因此，图像平滑作为图像处理领域里的一项基本技术就显得尤为重要。 近年来，基于偏微分的图像平滑技术得到了普遍的研究与运用。特别是在总变分 （total variation，TV）模型提出之后，衍生出了很多改进模型。L0 梯度最小化（L0 gradient minimization, LGM）模型被广泛应用于图像平滑处理。作为 TV 模型的改进版，采用 L0 范数正则化项的 LGM 模型虽对分片常数图像有较好的效果，但其平滑结果同样遭受阶 梯效应的影响，且对图像中的噪声不具有鲁棒性。考虑到以上缺点，本文在 LGM 算法 基础上提出了两个改进的图像平滑方法，具体如下： 首先，提出了基于梯度滤波的 L0 梯度最小化算法（gradient filtering of L0 gradient minimization，GFLGM）。LGM 模型引入处理变量时，并未考虑图像噪声的影响，且该 模型处理的图像结果中存在阶梯效应。本文提出了基于 LGM 滤波处理图像梯度的图像 平滑方法，即在对图像平滑时先滤波处理图像梯度。实验表明提出的方法不仅有效克服 了阶梯效应的影响，而且取得了较好的图像平滑效果。 其次，在 GFLGM 模型的基础上，提出了基于梯度滤波 L1 保真的 L0 梯度最小化算 法（GFLGM-L1）。由于 L1 范数具有比 L2 范数受误差影响小的优点，新模型将保真项由 L2 范数改进为 L1 范数，并运用到图像平滑中。大量实验结果表明该方法不仅对噪声具 有鲁棒性，而且提高了图像边缘保护性能，取得了更好的图像平滑效果。 关键词：图像处理 图像平滑 L0 梯度最小化 阶梯效应 保真项 Abstract Images contain rich and well-structured visual information. while in the course of transmission and acquisition，they are often cottupted by noise and cause errors. These not only have a serious impact on the visual effects of image，but also bring great difficulties to the subsequent image analysis and processing. Therefore，image smoothing as a basic technology in the field of image processing has an important practical significance. Recently, partial differential based image smoothing methods have been widely applied and studied. Specifically, after total variation (TV) modelis proposed, many improved models are derived. L0 gradient minimization (LGM) has been widely applied successfully in image smoothing. As an improvement of the total variation (TV) model which employs the L1 norm of the image gr