图像处理去噪课程设计.docxVIP

全变分去噪算法 摘要 图像去噪作为图像的预处理阶段， 有着十分重要的意义。 其目的就是去除图像的干扰信 息，保护图像的局部特征，改善图像的质量，为图像的后续处理(如边缘检测，图像分割， 特征提取等)提供可靠的保证，在图像处理领域占有非常重要的位置。 而基于偏微分方程的 图像去噪方法将数学与工程紧密结合， 具有较强的自适应能力和灵活性， 并且以此建立的模 型容易修改，近年来在去除图像噪声和保护图像的边缘细节等信息等方面得到了快速发展。 这种基于PDE的图像去噪方法主要源于约束最优化、能量最小化和变分法，其基本思 想是以图像去噪的贝叶斯理论模型为基础， 将所研究的问题转化为一个可以运用偏微分方程 求解的方法求解图像中相应的能量泛函极小值的过程， 该极小值形式为一个偏微分方程， 对 该方程求解，所得到的解就是所要求的去噪复原图像。 PDE图像去噪模型应用较为广泛，该模型将图像的梯度模作为边缘检测算子， 通过检测 图像的平坦区和边缘区的梯度大小而自适应地选取全变分模型和线性扩散模型， 将图像边缘 检测和图像去噪两个原本独立地两个过程有机地结合起来。 本文将着重介绍基于 PDE地图像去噪方法和 TV算法。 非线性偏微分方程去噪算法 假设原图像为：u(x, y) 可加性噪声为：n(x, y)( En(x) = 0,E??(??= ??) 则噪声图像可表示为： ？？(？??？= ?????? + ??(??,?) 我们希望通过噪声图像得到一个原图像地估计，最小化问题为: minimize / (????+ ???初2 ?? (1) 约束条件为: ?? ?? 噪声 En(x) = 0, E??(?? = ??导致的约束： ??)21 ??)2 吋(?? ?? ⑵ 此处I??为图像区域Q的面积 ⑴式和(2)式就定义了约束最优化问题。 (由于TV范数的平移不 变性：TV[u+ c] = TV[u] , c为任意常数，那么第一个约束实际上是已经满足的。因此，我 们只需要考虑第二个拟合约束。通过引入拉格朗日乘子入，可以定义一个新的能量泛函) 新的能量泛函:?? 新的能量泛函: J[u(x,y)] = ? |???(??,?) ?????+???(?? (????- ??(??,??)2 ???????? ?? ?? 其中，参数入对平衡去噪与平滑起重要作用。因此，它依赖于噪声水平。这样就建立了图像 去噪的TV模型。这是一个泛函求极值问题，即变分问题。 偏微分方程（PDE）的推导： TV复原模型的欧拉-拉格朗日方程为： ??? (5)Xu- ??)-? ?(帀詁 (5) 推到过程如下： 根据（1）式可得泛函中的: F = |??????? + ?[??????- ??(????)2 ?? c =v??p???+ ???：????)+ 2 (??：????- ??(????)『, 此类泛函求极值的必要条件，即欧拉 -拉格朗日方程为: ???- ????? ?????= 0 97? ??? 其中？??= 2(??- ??),???= ?祐,?初=???= ?荷 代入（5）式得: ??? Xu- ??）-? ?（函?） = 0 （7） 对于光滑函数u，方程（7）中得微分项表示水平线 u= u（??））得曲率，这就揭示了该模型得 几何特性。 引用虚拟时间变量则有: 引用虚拟时间变量 则有: ??? ???= - ??)-? ?(詞, (8) 在这里我们选取入(t) 在这里我们选取入 (t): r [用 + ?2 ( ^?)??^? +(?3)????? ???????? 2?f 门皿+ ?2? ( ^?m)] ???????? （9） 由于|???为分母，为了避免它为零，我们引入一个大于零得小参数，保证它大于零： |??? = V ?金 |???2 只要保持足够小，就不会影响数字 TV复原得性能。 数值迭代方法如下： 我们让： ???= ??????= ???, ?T= 0,1,2? ??N, 并且 Nh = 1 ( (10) ??= ??*??, ??= 0,1,????,????? ???????????),????? ??(??????+ ?????????迭代的初始条件是选定的，0的均值为零并且二范数为 1.迭代公式为：777 ?鶴=?稔 ??= ??*??, ??= 0,1,????, ????? ???????????),????? ??(??????+ ????????? 迭代的初始条件是选定的，0的均值为零并且二范数为 1. 迭代公式为： 777 ?鶴=?稔帀??? ????爲？ 1 (???????；+ (??(?+??需?????芻?)： 其中 i,j = 1,2,3???N 边界条件为: +??? ( F?? 1 (????