结合局部熵的各向异性扩散模型.pdf

第25 卷摇 第4 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 模式识别与人工智能摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Vol.25摇 No.4 摇 2012年8月摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 PR AI摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Aug摇 摇 2012 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 结合局部熵的各向异性扩散模型* 赵摇 德摇 摇 何传江摇 摇 陈摇 强 (重庆大学 数学与统计学院摇 重庆401331) 摘摇 要摇 Perona鄄Malik (P鄄M)模型是一个经典的各向异性扩散模型,该模型不能保持图像的重要细节(如纹理).针 对此问题,文中提出一个结合局部熵的各向异性扩散模型,该模型的扩散系数不仅依赖于图像梯度,也依赖于局部 熵描述的局部区域信息.实验表明该模型不仅能有效去除图像噪声,更好保持图像弱边缘,而且能较好地保持图像 的重要细节. 关键词摇 图像滤波,各向异性扩散,Perona鄄Malik模型,局部熵,偏微分方程 中图法分类号摇 TP391.4 Anisotropic Diffusion Model Combined with Local Entropy ZHAO De,HE Chuan鄄Jiang,CHEN Qiang (College of Mathematics and Statistics,Chongqing University,Chongqing 401331) ABSTRACT Perona鄄Malik (P鄄M)model isa classical anisotropic diffusion denoising model,but it isnot able to preserve the important details effectively such as the texture of the image. To address this problem,an improved P鄄M model based on local entropy is proposed. The diffusion coefficient of the model not only depends on the image gradient, but also depends on the local region information described by local entropy. The experimental results show that the proposed model removesnoiseseffectively,preservesthe boundaries better,and maintains important details of the image well. Key Words摇 Image Filtering, Anisotropic Diffusion, Perona鄄Malik Model, Local Entropy, Partial Differential Equation [1] 1摇 引摇 言 (简称P鄄M模型) 对图像进行处理,最大优点是去 噪的同时对图像的边缘具有较好的保护作用,得到 图像去噪是图像处理的一个重要组成部分,基 的图像基本不会失真.因此,各向