tv正则化的泊松去噪模型matlab-实例：Tikhonov正则化模型用于图片去噪.pdf

tv正则化的泊松去噪模型matlab,实例 ：Tikhonov正则化模型⽤ 于图⽚去噪 实例 ：Tikhonov 正则化模型⽤于图⽚去噪 对于真实图⽚ 和带噪声的图⽚ ( 中 是⾼斯 ⽩噪声)。 Tikhonov 正则化模型为 ： 中 , 分别表⽰ 在⽔平和竖直⽅向上的向前差分， 为正则化系数。 上述优化问题的⽬标函数中，第⼆项要求恢复的 有较好的光 滑性，以达到去噪的⽬的。 注意到上述 ⽬标函数是可微的，我们利⽤结合BB步长和⾮精确搜索的 的梯度下降对 进⾏求解。 ⽬录 图⽚和参数准备 设定随机种⼦。clear; seed = ss = RandStream(mt 19937ar,Seed,seed); RandStream.setGlobalStream(ss); 载⼊未加噪的原图作为参考，记录为 u0 。u = load (tower.mat); u = u.B1; u = double(u); [m,n] = size(u); u0 = u; ⽣成加噪的图⽚，噪声 的每个元素服从独⽴的⾼斯分布 ，并对每个像素进⾏归⼀化处理(将像素值转化到[0,1]区间内)。注意到 MATLAB 的 imshow 函数(当第⼆个参数设定为空矩阵时)，能够 ⾃动将矩阵中最⼩的元素对应到⿊⾊，将最⼤的元素对应为 ⽩⾊。u = u + 20*randn(m,n); maxu = max (u(:)); minu = min(u(:)); u = (u - minu)/ (maxu - minu); 参数设定，以⼀个结构体提供各参数，分别表⽰ ，梯度和函数值的停机标准，输出的详细程度，和最⼤迭代次数。opts = struct(); opts.xtol = 1e-8; opts.gtol = 1e-6; opts.ftol = 1e- 16; opts.record = 1; opts.maxit = 200; 求解正则化优化问题 分别取正则化系数为 和 ，利⽤带BB 步长的梯度下降求解对应的优化问题，见 。lambda = 0.5; fun = @(x) TV (x,u,lambda); [x 1,~,out 1] = fminGBB(u,fun,opts); lambda = 2; fun = @(x) TV (x,u,lambda); [x2,~,out2] = fminGBB(u,fun,opts); 结果可视化，将不同正则化系数的去噪结果以图⽚形式展⽰。subplot(2,2,1); imshow(u0,[]); title(原图) subplot(2,2,2); imshow(u,[]); title(⾼斯噪声) subplot(2,2,3); imshow(x 1,[]); title(\lambda = 0.5) subplot(2,2,4); imshow(x2,[]); title(\lambda = 2) print(gcf,-depsc,tv.eps) Tikhonov 正则化模型的⽬标函数值和梯度计算 该⽆约束优化问题的⽬标函数为 ： function [f,g] = TV (x,y,lambda) % $y, \lambda$ 分别表⽰带噪声图⽚和正则化参数， |f | ， |g| 表⽰在 |x | 点处的⽬标函数值和梯度。 % % 第⼀项 $\frac{1}{2}\ |x-y\ |_F^2$ ⽤于控制去噪后的图⽚ $x$和带噪声的图⽚ $y$之间的距离。 f = .5*norm(x - y, fro)^2; 计算两个⽅向上的离散差分， , 。[