文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 建筑/土木 > 基于总变分和各向异性扩散方程的图像恢复模型
侵权投诉

基于总变分和各向异性扩散方程的图像恢复模型

基于总变分和各向异性扩散方程的图像恢复模型

                西安电子科技大学学报(自然科学版)                第33卷760

利用先验知识重构图像I是数学上的不适定问题,因此使用正则化技术.在图像恢复中,一类经典的正则化方法是Rudin,Osher和Fatemi等在1992年提出的总变分极小化方案(ROF2模型)[4]

minE(I)=

I

∫

Ω

(

I+λ(I-I0)2/2)dxdy ,

(2)

其中 I和 I为图像的梯度和梯度模;等式右端第一项称为I的总变分范数(TV范数),它依赖于图像的变差幅度;第二项为逼近项,它控制着图像I和噪声图像I0的差异.λ为规整化参数,在TV范数项和逼近项之间起着重要的平衡作用.

由于ROF2模型式(2)把图像看成是有界变差空间(即BV空间)中分片连续的函数,所以对具有重复模式的小尺度细节[7]和噪声,该模型均有很好的去除效果.但对于纹理特征丰富的自然图像以及不能用边缘刻画的大尺度细小特征,往往造成重要视觉细节的丢失.因此,GuyGilboa等人在文[5]中提出了一种带有自适应逼近项的广义总变分方法(G2模型):

minE(I)=

I

(<(∫

Ω

I)+λ(x,y)Pz(x,/2)dxd ,Ω(3)

其中Pz(x,y)为局部方差,即Pz(x,y)=

C是常数,ω为窗函数,η[ ](Izz]) x-,y-y) xy,Iz=I-I0-C,

112 “纯粹的”2扩散的思想,提出“纯粹的”各向异性扩散方程[6]:

It=

Idiv( I/ I) ,(x,y)∈Ω, t>0 ,(x,y)∈Ω ,

I(x,y,0)=I0(x,y) ,

(4)

其中I0(x,y)为初始的灰度图像,I(x,y,t)为尺度t下I0(x,y)的平滑版本.

式(4)右边的扩散项可转化为图像灰度曲面梯度正交方向ξ上的扩散项,即

Idiv

2

I

= I

2

ΔI-

I

2

2I2=ΔI-=Iξξ ,

I2

(5)

其中Iξξ

=,ξ=2221/2.(I2Ix+Iyx+Iy)

在数值计算中,为避免图像平坦区域梯度为零的情况,一般都采取参数提升梯度,即

( I2+ε)1/2,ε>0.

I

ε

=

2 新模型及其离散格式

取式(3)中的光滑项<( I)为式(2)中的TV范数,即

<(

∫

Ω

I)dxdy=

I

Ω

dxdy .

那么G2模型对应的PDE为It=λ (x,y)(I-I0-C)-div( I/其中λ (x,y)= I=0时,

Iε

Iε) ,(6)

基于总变分和各向异性扩散方程的图像恢复模型

λ( x, y)ω

∫

Ω

x,y

( x, y)d xd y.

当离散式(6)时,如果 I=0,那么由扩散项div( I/

Iε)所提供的扩散可能会很大,即当≈ΔI .εI=

(Ix+Iy+ε)

2221/2

≈

ε

]div

(7)

  这时式(7)就等价于各向同性的热扩散.它意味着式(6)会在图像相对平坦的区域内形成一种强扩散,从

而使得图像在这些区域中局部地变成常数.式(6)仍然把图像看成是BV空间中分片连续的函数,因此在扩散的过程中依然会造成图像某些重要视觉细节的丢失.但是,对于“纯粹的”各向异性扩散方程式(4)来讲情形就大不一样:首先,扩散项式(5)在 I=0时不会形成如式(7)那样的强扩散;其次,该方程最大的优势就是使I的扩散仅发生在图像灰度梯度 I的正交方向上,在保持图像轮廓精确位置和清晰度的同时沿轮

上一页第2页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email