·418·
计算机应用研究
v
v
第29卷
将分数阶梯度算子替代整数阶梯度算子来构建去噪模型的能量泛函。4.1
基于分数阶Fourier变换的图像去噪模型
v
因为分数阶有界变差空间BV(Ω)是传统的有界变差空
算子Dx和Dy。基于Fourier变换的分数阶偏微分方程的去噪模型是利用分数阶Fourier变换的性质来得到Dx和Dy的数值解。
y)(x,y∈Ω),已知有噪声图像I(x,假设其在X和Y轴方其x和y方向的分数阶Fourier变换为向相互独立,
v
v
BV(Ω)空间是建立在传统梯度模值间BV(Ω)的推广和延伸,
BVv(Ω)空间就应该建立在分数阶梯度模值相应地,的基础上,
v
基础上。这样可以建立基于分数阶有界变差空间BV(Ω)的
能量泛函来描述噪声图像。
y),(x,y)∈Ω,已知噪声图像I(x,将ROF模型的正则项
v
梯度算子I用分数阶梯度算子I来替代,可以得到基于分
x
1(ω∧
ω2)(1-ej2πω1/N)ej2π(xω1+yω2)/N1,
DyI(x,y)=I(x,y)-I(x,y-1)=
1(ω1∧,ω2)(1-ej2πω2/N)ej2π(xω1+yω2)/N 的表达式对应关系为
DI(x,y)=I(x,y)-I(x-1,y)=
(32)
因此,由Fourier变换的性质可知,一阶差分的空域与频域
数阶偏微分方程去噪模型的能量泛函:
E(I)=∫ΩDvIdxdy+
v
λ
I0-I‖2L22
(24)
I∈BV(Ω),(x,y)∈Ω
{{{
4.2
DxI(x,y)(1-e-j2πω1/N)I(ω1,ω2)DyI(x,y)(1-e
-j2πω2/N
∧
)I(ω1,ω2)
∧
∧
(33)
其中:DvI=
(DxI)vDv+(DxI和DyI分别表示图像IyI)、
n阶差分的空域与频域的表达式对应关系为同理可知,
Dny)(1-e-j2πω1/N)nI(ω1,ω2)xI(x,DnyI(
x,y)(1-e
-j2πω2/Nn
∧
(x,y)关于X和Y轴的分数阶导数。
Lagrange方程,为了得到上述能量泛函的Euler-需要极小因此,利用变分法的性质构造相应能量泛函。化上述能量泛函,
g(ε)=E(I+εφ)=
∫Ω
λ
D(I+εφ)dxdy+‖I0-I-εφ‖2L2
2
v
(34)
)I(ω1,ω2)
由分数阶Fourier变换的基本性质可知,将整数阶次n推广到分数阶次v,即可得到基于分数阶Fourier变换的分数阶导数数值计算公式:
Dvy)(1-e-j2πω1/N)vI(ω1,ω2)xI(x,DvyI(
x,y)(1-e
-j2πω2/Nv
∧∧
(25)
其中:ε为任意实数,φ为任意函数。
∞
(Ω),利用泛函极值的基本性质,当φ∈C0有g'ε(0)=0,
(35)
Lagrange方程:可以得到相应的Euler-∫Ω
)I(ω1,ω2)
(
DvxIDvI
Dvxφ
+
DvyIDvI
Dvyφ
)
这样,由式(35)可以得到分数阶微分算子的共轭算子:
dxdy-λ∫Ω(I0-I)φdxdy=0(26)
为了得到最终的去噪模型,需要消除任意函数φ。因此,采用Parseval恒等公式∫Ωf·gdxdy=(26)进行处理,可得
∧∧DvDv1xIyIvv
D+D∫Ωφxφy
2πDvIDvI
1
∫fgdω1dω2对式2πΩ
-∧∧
{
Dvy)(1-e-j2πω1/N)vI(ω1,ω2)xI(x,DvyI(
x,y)(1-e
-j2πω2/Nv
∧
)I(ω1,ω2)
∧
(36)
基于分数阶基本定义的图像去噪模型
y),x,y∈Ω,已知有噪声图像I(x,并且假设噪声图像I(x,
(
∧∧
)
v
y)在X和Y轴方向相互独立,因此只考虑X轴方向的图像信·)的分数阶微积分数值计算。由分数阶微积分的G-L号I(x,
(27)
v∧∧
v
dω1dω2-
∧∧∧
λ
∫Ωφ(I0-I)dω1dω2=02π
∧
·)的分数阶微分为定义可知,图像信号I(x,
Gv
aDtI(
x,·)=
Dyφ=因为分数阶Fourier变换的性质有Dxφ=(j2πω1)φ,(j2πω2)vφ,并消除系数1/(2π)可以得出
∫Ω(j2πω1)vφ
∧
()
1
h
nN-1j=0
∑(-1)
j
Γ(v+1)
I(x-j;h)(37)
ΓΓ当步长h=1时可以得到
GvaDtI(
(
∧
∧DvxIv∧
∧
x)=∑(-1)
j=0
N-1
j
DI
+(j2πω2)vφ
∧
∧
∧
DvyIv
DI
)
∧
()
vj
I(x-j)(38)
dω1dω2-
(28)
v
假设函数c(x)满足
λ∫Ωφ(I0-I)dω1dω2=0cv(x)=
又因为函数φ的任意性,利用变分法的基本引理可得出
∧
{
(-1)0
x
()
vx
x≥0x<0
(39)
(j2πω1)
v
DvxIDvI
∧
+(j2πω2)
v
DvyIDvI
-λ(I0-I)=0
∧
因此,可以将信号的分数阶微积分改写为信号I(x)与函
(29)
v
数c(x)的卷积操作形式:
GvaDtI(
对式(29)两边先去共轭,然后再利用Fourier逆变换可以得出相应的图像去噪的分数阶偏微分方程:
Re
x)=cv(x)*I(x)(40)
v
于是,将式(40)代入基于分数阶BV(Ω)空间的能量泛
{[(
Dvx
DvxIDvI)(
+DvyDvxIDvI
+
DvyIDvI)]}
可得到基于卷积积分的分数阶变分模型:函,
-λ(I0-I)=0
(30)
E(I)=∫Ωcv*Idxdy+
λ
‖f-I‖2L22
(41)
最后利用梯度下降法,引入时间变量t,可以得到基于Fourier变换的分数阶偏微分方程的去噪模型:
I
=-Ret
{[(
Dvx)(
Dvy
DvyIDvI)]}
其中:
(31)
+λ(I0-I)
{
cv*I=
(c
*I)x+(c*I)y
y)dz(cv*I)x=∫Ωcv(z)I(x-z,(cv*I)y=∫Ωcv(z)I(x,y-z)dz
(42)
该模型最大的难点就是如何求取分数阶微分算子的共轭Lagrange,为了得到式(41)的Euler-与上节假设一样,仍然
热门文档