这是我智能科学导论的一个论文作业。不能说我的作业抄袭了我的博客啊！！！ &一，背景&
随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。
图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。&
二，图像去噪理论基础&
2.1 图像噪声概念
噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。例如，一幅黑白图片，其平面亮度分布假定为f(x，y)，那么对其接收起干扰作用的亮度分布R(x，y)，即可称为图像噪声。但是，噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。而实际应用往往也不必要。通常是用其数字特征，即均值方差，相关函数等。因为这些数字特征都可以从某些方面反映出噪声的特征。&
2.2 常见的图像噪声
在我们的图像中常见的噪声主要有以下几种：
（1），加性噪声
加性嗓声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声的。这类带有噪声的图像g可看成为理想无噪声图像f与噪声n之和，即：
（2），乘性噪声
乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等，这类噪声和图像的关系是：
（3），量化噪声
量化嗓声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异，减少这种嗓声的最好办法就是采用按灰度级概率密度函数选择化级的最优化措施。
（4），“椒盐”噪声
此类嗓声如图像切割引起的即黑图像上的白点，白图像上的黑点噪声，在变换域引入的误差，使图像反变换后造成的变换噪声等。&
图像噪声模型
实际获得的图像含有的噪声，根据不同分类可将噪声进行不同的分类。从噪声的概率分情况来看，可分为高斯噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声。它们对应的概率密度函数（PDF）如下：
（1），高斯噪声
在空间域和频域中，由于高斯噪声在数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用在实践中。高斯随机变量Z的PDF由下式给出：
其中，z表示灰度值，μ表示z的平均值或期望值，α表示z的标准差。当z服从上述分布时，其值有95%落在[(-2σ)， (μ+2σ)]范围内。
（2）脉冲噪声（椒盐噪声）
（双极）脉冲噪声的PDF可由下式给出：
如果b&a，则灰度值b在图像中将显示为一个亮点，反之则a的值将显示为一个暗点。若Pa或Pb为零，则脉冲称为单极脉冲。如果Pa和Pb均不可能为零，尤其是它们近似相等时，则脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。由于这个原因，双极脉冲噪声也称为椒盐噪声。
（3）瑞利噪声
其均值和方差分别为：
（4）伽马噪声
其密度的均值和方差为：
（5）指数分布噪声
其中a&0，概率密度函数的期望值和方差是：
（6）均匀噪声
其均值和方差分别为：
&2.4 图像去噪算法分类
（1），空间域滤波
空域滤波是在原图像上直接进行数据运算，对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。
（2），变换域滤波
图像变换域去噪方法是对图像进行某种变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。将图像从空间域转换到变换域的变换方法很多，如傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。而傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。
（3），偏微分方程
偏微分方程是近年来兴起的一种图像处理方法，主要针对低层图像处理并取得了很好的效果。偏微分方程具有各向异性的特点，应用在图像去噪中，可以在去除噪声的同时，很好的保持边缘。偏微分方程的应用主要可以分为两类:一种是基本的迭代格式，通过随时间变化的更新，使得图像向所要得到的效果逐渐逼近，这种算法的代表为Perona和Malik的方程[27]，以及对其改进后的后续工作。该方法在确定扩散系数时有很大的选择空间，在前向扩散的同时具有后向扩散的功能，所以，具有平滑图像和将边缘尖锐化的能力。偏微分方程在低噪声密度的图像处理中取得了较好的效果，但是在处理高噪声密度图像时去噪效果不好，而且处理时间明显高出许多。
（4），变分法
另一种利用数学进行图像去噪方法是基于变分法的思想，确定图像的能量函数，通过对能量函数的最小化工作，使得图像达到平滑状态，现在得到广泛应用的全变分TV模型就是这一类。这类方法的关键是找到合适的能量方程，保证演化的稳定性，获得理想的结果。
（5），形态学噪声滤除器
将开与闭结合可用来滤除噪声，首先对有噪声图像进行开运算，可选择结构要素矩阵比噪声尺寸大，因而开运算的结果是将背景噪声去除；再对前一步得到的图像进行闭运算，将图像上的噪声去掉。据此可知，此方法适用的图像类型是图像中的对象尺寸都比较大，且没有微小细节，对这类图像除噪效果会较好。&
三，几种图像去噪算法介绍&
3.1 基于空间域的中值滤波
中值滤波器是一种常用的非线性平滑滤波器，基本原理是把数字图像或数字序列中一点的值用该点邻域内各点的中值代换。设f(x，y)表示数字图像像素点(x，y)的灰度值，滤波窗口为A的中值滤波器可以定义为：
当n为奇数时，n个数x1，x2，…xn的中值就是按数值大小顺序处于中间的数；当n为偶数时，我们定义两个中间数平均值为中值。&
基于小波域的小波阈值去噪
小波萎缩法是目前研究最为广泛的方法，小波萎缩法又分成如下两类：第1类是阈值萎缩，由于阈值萎缩主要基于如下事实，即比较大的小波系数一般都是以实际信号为主，而比较小的系数则很大程度是噪声。因此可通过设定合适的阈值，首先将小于闽值的系数置零，而保留大于闭值的小波系数；然后经过阈值函数映射得到估计系数；最后对估计系数进行逆变换，就可以实现去噪和重建；而另外一种萎缩方法则不同，它是通过判断系数被噪声污染的程度，并为这种程度引入各种度量方法(例如概率和隶属度等)，进而确定萎缩的比例，所以这种萎缩方法又被称为比例萎缩。阈值萎缩方法中的两个基本要素是阈值和阈值函数。
阈值的选择：
阈值的确定在阈值萎缩中是最关键的。目前使用的阈值可以分成全局阈值和局部适应阈值两类。其中，全局阈值对各层所有的小波系数或同一层内的小波系数都是统一的；而局部适应阈值是根据当前系数周围的局部情况来确定阈值。目前提出的全局阈值主要有以下几种：
（1），Donoho和Johastone统一阈值（简称DJ阈值）：
其中σ为噪声标准方差，N为信号的尺寸或长度。
（2），基于零均值正态分布的置信区间阈值：
（3），Bayes Shrink阈值和Map Shrink阈值。在小波系数服从广义高斯分布的假设下，Chang等人得出了阈值：
其中，（R为噪声标准方差，RB为广义高斯分布的标准方差值）。
（4），最小最大化值：这是Donoho和John Stone在最小最大化意义下得出的阈值与上边的阈值不同，它是依赖于信号的，而且没有显式表达式，在求取时需要预先知道原信号。
（5），理想值：理想阈值是在均方差准则下的最优阈值，同最大最小化阈值一样，也没有显式的表达式，并且这个阈值的计算通常也需先知道信号本身。
阈值函数：
Bruce和Gao。提出了一种半软阈值函数：
该方法通过选择合适的阈值T1和12，可以在软阈值方法和硬阈值方法之间达到很好的折中。另外，zhang等人为了对SIJRE误差准则函数进行基于梯度的优化搜索，提出了另外一种阈值函数，这种阈值函数同上边闭值函数所不同的是它拥有更高的导数阶，故其重建图像更为平滑，但该文作者将去噪效果的提高归功于搜索方法，其实，Donoh。和 Johnstone提出的在当前小波系数集合中，搜索最优阈值的方法，对于当前已经是优的了，由此可见，该去噪效果的提高则应归功于阈值函数的选取。&
基于PDE的图像去噪
目前，基于PDE的图像处理方法的研究，也是图像去噪的研究热点方向，并且己经取得了一定的理论和实际应用方面的成它的去噪过程为通过建立噪声图像为某非线性PDE的初始条件，然后求解这个PDE，得到在不同时刻的解，即为滤波结果。Perona和Malik提出了基于PDE的非线性扩散滤波方法（以下简称P-M），各向异性的去噪模型根据图像的梯度值决定扩散的速度，使之能兼顾噪声消除和边缘保持两方面的要求。
以P-M模型为代表的这类方法己经在图像增强、图像分割和边缘检测等领域得到了广泛的应用，取得了很好的效果。
P-M是一种非线性的各向异性方法，目的是为了克服线性滤波方法存在的模糊边缘和边缘位置移动的缺点。基本思想是:图像特征强的地方减少扩散系数，图像特征弱的地方增强扩散系数。方程如下：
其中u(x，y，t)是随时间变化的图像，是梯度的模，扩散系数函数用于控制扩散速度。理想的扩散系数应当使各向异性扩散在灰度变化平缓的区域快速进行，而在灰度变化急剧的位置（即图像特征处）低速扩散乃至不扩散函数，所以，应具有如下性质：
基于以上的两个性质，P-M提出了如下扩散系数函数：
其中k为边缘阈值，用来判断边缘区域和平坦区域。引入通量函数，主要是为了阐明阈值k在扩散操作中的作用，其函数定义如下：
尽管P-M方程在抑制噪声与保留图像重要特征方面取得了一定的效果，但却表现出病态且不稳定。Catt等人对该方程进行了改进，他们先用高斯核同图像作卷积，然后取其梯度模作图像边缘信息的估计。文献提出用优化的对称指数滤波器对图像作光滑，然后取其梯度模作图像边缘信息的估计。这两种估计方法的基本思想是降低噪声的干扰，更加真实地提取图像的边缘特征信息，以便利用边缘信息更好地控制P-M方程的扩散行为。&
3.4 全变分（TV）图像去噪
TV方法是由Rudin Osher and Fatemi提出，它基于变分法的思想，确定图像的能量函数，通过对图像能量函数最小化达到平滑去噪的目的。是现在比较流行的图像复原方法。图像的能量函数方程为：
在文献[2]中给出的全变分去噪能量泛函为：
为了使得能量函数最小，其欧拉-拉格朗日方程为：
其中，梯度算子：
用来减少平坦区域的退化。将整体左边转换成图像中任意像素点中的局部坐标系后，方程可以分解成边缘方向和边缘正交的两个方向，分解后个方向的系数控制着该方向的扩散强度。扩散方向实际上是一个分线性的各向异性的扩散方程，其扩散算子仅沿图像梯度的正交方向扩散，扩散系数为1/|▽μ|，而朝着梯度方向无扩散。这样可以通过图像的梯度来判断边缘位置，使得边缘扩散系数最小，从而降低对边缘的模糊程度，但是也由于边缘的扩散系数小，噪声得不到很好的抑制，而且当|▽μ|&λ的时候，势能函数是非凸的，使得边缘处处理表现不稳定。所以，如何确定扩散参数的值是一个问题。&
随着科技的发展和工作生活的需要，数字图像滤波应用将越来越广泛，要求也将越来越高。到目前为止，仍有很多去噪方面的新思想、新方法出现，不断的充实图像去噪方法。而且，噪声的研究范围也在不断扩大，由高斯噪声到非高斯噪声。去噪技术有很广泛的应用和研究的前景，而且，研究领域也在不断的拓展。
本文主要的内容是对图像的去噪技术做一个简单的介绍。全文对图像去噪技术进行了概述，包括噪声的概念和去噪原理，并对一些基本的图像去噪方法做了介绍。由于时间关系，并且这是导论课程的论文作业，就没有进行深入细致的研究。&
五，参考文献&
[1] GonzalesRC，WoodsRE.DigitalImageProeessing，SeeondEdition Beijing Eleetronieand Industrial Press，2002
[2] Leonid I. Rudin 1, Stanley Osher and Emad Fatemi Nonlinear total variation based noise removal algorithms 1992
[3] W.Luo，An efficient detail preserving approach for removing impulse noise in images，IEEE Signal Proeess.Lett.，):413-416.
阅读(...) 评论()豆丁微信公众号
君，已阅读到文档的结尾了呢~~
基于变分法的椒盐噪声图像恢复模型算法现代的科学技术发展十分迅速，他们有一个共同的特点，就是都有大量的数据问题。比如，发射一颗探测宇宙奥秘的卫星，从卫星世纪开始到发射、回收为止，科学家和工程技术人员、工人就要对卫星的总体、部件进行全面的设计和生产，要对选用的火箭进行设计和生产，这里面就有许许多多的数据要进行准确的计算。发射和回收的时候，又有关于发射角度、轨道、遥控、回收下落角度等等需要进行精确..
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于变分法的椒盐噪声图像恢复模型算法
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口当前位置： >>
结合L^1拟合项的Chan-Vese模型
第 27 卷 第 9 期 2015 年 9 月
计算机辅 助 设计与图 形 学学报 Journal of Computer-Aided Design & Computer Graphics
Vol. 27 No.9 Sep. 2015
结合 L1 拟合项的 Chan-Vese 模型 唐利明 1), 方 壮 1, 2), 向长城 1), 黄大荣 3), 陈世强 1) (湖北民族学院理学院 恩施 445000) (武汉大学数学与统计学院 武汉 ) (重庆交通大学信息科学与工程学院 重庆 400074) () 2) 1)
要 : 为了提高 Chan-Vese(CV)模型对椒盐噪声的鲁棒性 , 提出一个结合 L1 拟合项的 CV 模型 . 首先采用 L1 拟合和
L2 拟合的线性组合构造一个新的拟合项 , 然后通过调整这 2 个拟合的权重以提升该模型对不同噪声图像分割的灵活 性 , 最后利用交替迭代算法对模型进行求解 . 采用被不同噪声污染的人造图像和自然图像进行实验的结果表明 , 该 模型对噪声图像可以取得较好的分割结果 , 并且对于椒盐噪声污染图像的分割 , 比 CV 模型、LBF 模型和 VFCMS 模 型更具优势 . 关键词 ： 图像分割 ; Chan-Vese 模型 ; 椒盐噪声 ; 高斯噪声 ; L1 范数 中图法分类号 ： TP391.41
An Improved Chan-Vese Model Integrated with L1 Fitting Term Tang Liming1), Fang Zhuang1, 2), Xiang Changcheng1), Huang Darong3), and Chen Shiqiang1) 1) 2) 3)
(School of Science, Hubei University for Nationalities, Enshi
(School of Mathematics and Statistics, Wuhan University, Wuhan 430072) (College of Information Science and Engineering, Chongqing Jiaotong University, Chongqing 400074)
Abstract: An improved CV model integrated with L1 fitting term is proposed in this paper to enhance the robustness of the model for salt and pepper noise. First, a new fitting term is defined as a combination of L1 fitting and L2 fitting. Then, by appropriately choosing the weights of fitting, our proposed model allows flexible segmentation under various noise conditions. Finally, an alternating iterative algorithm is employed to solve the model numerically. Experiments on s
更多搜索：
All rights reserved Powered by
文档资料库内容来自网络，如有侵犯请联系客服。您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
曲面拟合法在图像去噪中的应用.pdf 57页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
你可能关注的文档：
··········
··········
中国石油大学（华东）
硕士学位论文
曲面拟合法在图像去噪中的应用
姓名：王艳红
申请学位级别：硕士
专业：计算数学
指导教师：李维国
图像去噪就是去除图像中原本没有的，由噪声带来的细节，它是图像处理最成熟的
分支之一。本文介绍了数字图像的基本知识和噪声的分类及模型，并且总结了基于能量
泛函去噪法和基于偏微分方程去噪法的发展进程。接下来，着重分析了图像处理的经典
模型—．ROF总变差模型。该模型能够保留边界的不连续性，但是也存在无法避免的缺陷，
比如在图像恢复过程中会产生梯子现象，去除噪音的同时也会失去一些图像的细节信息
论文先分析了为克服阶梯分块现象提出的四阶去噪模型，特别研究了算子分裂算
法。主要思想是将四阶的偏微分方程分裂成两个二阶的偏微分方程分别求解。先进行向
量光滑，然后再进行图像重构。相对于第一步的一般显格式数值迭代方法，本文应用原
对偶格式，进行变量替换后应用拟牛顿方法进行向量光滑。数值结果表明，该方法很好
地提高了信噪比，且视觉效果显著。
Lee和JinSeo
然后，本文分析了基于曲率拟合的去噪方法，着重研究Suk-Ho
提出的基于高斯曲率的去噪模型。先对扩散系数的选取进行了分析，然后采用Tukey’s
biwei出函数来控制高斯曲率的扩散，提出了修正的模型可以在较大时间步长的情况下
避免黑白点的出现。更主要的是提出了一种将高斯曲率去噪方程和四阶偏微分方程加权
相融合的去噪模型。该模型不仅可以处理曲面拟合方法所不能消除的椒盐噪声，而且可
以实现两种方法的优点互补，既能保持边界也较好地保留了细节特征。
关键词：图像去噪，算子分裂，原对偶，曲面拟合，高斯曲率 ’
ofCurvedSurface Method
Application
inImageDenoising
Yanhong(ComputationalMamematicS)
DireCtedPro￡Li
ist0remoVewaStedetailsWhjch
Imagedenoising
appeared adding．n
braIlchesof
i船oducedS0me
dcVeloped iInageprocessing．Thjspaper
claSsification，modelsnoise，andⅡ1eh
digitali】[11ages
generaJizeddeVelopment
ofbotll6mctionaJbaSedandPDEbaSed
denoisiI培metllod
正在加载中，请稍后...《一种含椒盐噪声图像去噪的新方法》 www.wenku1.com
一种含椒盐噪声图像去噪的新方法日期：
第26卷第10期(总第178期) 　　　　　　系　统　工　程2008年10月　　　　　　　　　　　　Systems Engineering 文章编号:08) 10-0123-04V ol. 26, No. 10O ct. , 2008一种含椒盐噪声图像去噪的新方法唐斌兵, 王正明, 汪雄良(国防科技大学信息系统与管理学院, 湖南长沙　410073) 摘　要:经典基追踪模型不适用于非高斯噪声环境下的图像去噪问题。基于不同的拟合误差项形式, 提出一类新的基追踪扩展模型, 并用于图像去噪。实验结果表明, 本文方法在椒盐噪声环境下具有显著的去噪效果。关键词:图像去噪; 椒盐噪声; 基追踪; 扩展模型中图分类号:T P391　　　文献标识码:A1　引言图像去噪是图像处理中的一个经典问题, 也是一个典型的反问题, 它要求从含噪的观测图像出发, 得到原始的不含噪图像的估计。常见的图像去噪都可表示为最小化某一类目标函数。这些方法通过附加有关先验信息, 将图像去噪问题归结为求解一种优化问题, 从而得到反问题的解。椒盐噪声是图像处理中十分常见的一种噪声, 它可能产生于图像捕捉设备传感器上的坏点或者强噪声信道条件下的图像传输过程。对于被椒盐噪声污染的图像, 噪声点只取图像动态范围内(如0～255) 的最大值或最小值, 即在图像中出现一些灰度值很小(接近黑色) 或灰度值很大(接近白色) 的污染点, 在图像上呈现一个个暗点和亮点, 类似于胡椒末和盐粉的微粒, 因此称为椒盐噪声。基追踪方法[1-3]是信号稀疏表示领域的一种新方法, 它寻求从完备的(过完备) 函数(基) 集合中得到信号的最稀疏的表示, 即用尽可能少的函数基精确地表示原信号, 从而获得信号内在本质特性。基追踪方法正日益成为信号处理领域中一个非常重要的工具, 在信号和图像去噪方面具有很好的应用前景[3]。在去噪处理中, 经典基追踪去噪模型所考虑的大多是加性的高斯白噪声, 而实际上不同的应用环境中噪声的特性是不同的。本文基于不同的拟合误差项形式, 提出了一类新的基追踪扩展模型(P 1-1) ; 给出了其求解算法; 通过含椒盐噪给出了其求解算法; 通过含椒盐噪声图像的去噪实验, 验证了该模型具有显著的去噪效果。2　椒盐噪声的稀疏特性椒盐噪声图像的特点是噪声点均匀分布于整幅图像[4], 分布于图像中的噪声个数占象素总数的百分比称为噪声密度。大部分椒盐噪声的灰度值集中在0或255附近。椒盐噪声点落在图像上任意一点的概率是相等的, 当图像中椒盐噪声率增加时, 图像中的非零元素个数也在增加, 除了0和255附近的噪声灰度值以外, 0和255以外的其它非零灰度值也在成比例地增加。噪声直方图呈现点脉冲的形式, 其中依然是灰度值为0和255处的比例最大。比如图1所示为“camer aman ”图像及其加噪声后图像(椒盐噪声密度为0. 3)和噪声的直方图。(a) 原图像直方图收稿日期:; 修订日期:() , , :124系　统　工　程　　　　　　　　　　　　　　　　　　2008年含噪观测下经典基追踪模型(也称为基追踪去噪模型) 为[1]:min ‖ ‖1, 满足‖y -D ‖22<?题:(P 2-1) 　min (3)　　由L ag rang e 乘数法, 上述模型可化为以下的(P 2-1) 问1‖y -D ‖2‖ ‖12+#2(4)　　上述优化问题致力于最小化信号重建误差, 同时使得信号的表示最稀疏。正则化参数#控制着允许误差与稀疏性之间的平衡。文献[6]从Bayes 分析的角度, 解释了优化问题中目标函数的构造与噪声分布以及稀疏先验分布之间的联系。由此可见, 在基追踪模型中, 目标函数中的拟合误差项‖y -D ‖22与噪声的先验分布对应, 正则项‖ ‖1与 的先验分布对应。从式(4) 可见, 含噪观测下的基追踪模型考虑的是高斯白噪声, 而实际当中的噪声可能是非高斯白噪声, 因此可以改变拟合误差项, 也可以得到针对不同噪声类型的扩展的基追踪模型。3. 2　基追踪扩展模型在含噪观测下, 基于不同的稀疏性度量函数和拟合误差项形式, 可以得到以下扩展模型:min ‖y -D ‖?+#‖ ‖11 其中, ?1为一种损失函数, 满足可分性, 即‖w ‖?=1∑?(w ) , 如?可取为l (0<1i1kik <1) 范数等。特别地, 当k =1时, 得到以下模型:(P 1-1) 　m in ‖y -D ‖1+#‖ ‖1　　由此可见, 椒盐噪声是一种明显的稀疏分布噪声。[5] (5)　　对于扩展模型(P 1-1) , 对应噪声的先验分布为L aplacian 分布, 它是一种典型的稀疏分布[5], 如图2所示。因而扩展模型(P 1-1) 适用于一类稀疏分布噪声的去噪问题。3　基追踪扩展模型3. 1　经典基追踪模型对于观测信号s ∈R N , 给定R N 中的字典D ={ r , r ∈ }, 其中, 为指标集, 不妨设 ={1, 2, …, M }, r ∈R N (r ∈ ) 为R N 中的基函数(亦称原子) 。如果将字典中原子表示成矩阵D 的列, 表示系数 r (r ∈ ) 表示成一个列向量, 信号稀疏表示问题即可归结为求解最稀疏表示系数的问题。用数学语言描述, 即为(P 0) 问题[1-2]:(P 0) 　min ‖ ‖0, 满足s =∑ =r rr ∈D (1)其中, ‖ ‖0=#{r : 中非零成分的r ≠0, r ∈ }, 表示 个数, 称为向量 的l 0范数; 字典D 为N ×M 矩阵。在含噪情况下, 观测模型为:y =s +n其中, s 为真实信号(s =D ) , y 为已知的观测信号, 假定n 为高斯白噪声, ! 为噪声根方差, 且‖n ‖22<?. 此时, 含对于含L aplacia n 分布噪声(加性、非高斯) 图像观测, 图2　Laplacian 分布(中心位置%=0, 方差! 2=0. 25)第10期　　　　　　　　　唐斌兵, 王正明等:一种含椒盐噪声图像去噪的新方法为已知的含噪图像, n 为噪声。此时, 图像的去噪问题即为扩展基追踪模型(P 1-1) 的求解问题:^125Heav iside 字典和sym8小波字典合成的组合字典[3]。去噪结果如图4所示。s =D min ‖y -D ‖1+#‖ ‖1 4　扩展模型(P 1-1) 的求解算法在式(5) 中, 记 u +-u -, u +, u -≥0, u +和u -分别对应 的正部和负部, 记u =, 这样‖ ‖1=u -1T u , 其中向量1维数与向量u 相同。类似地, 我们可以记y -D v +-v -, v +, v -≥0, v +和v -分别对应y -D 的正部和负部, 这样‖y -D ‖1=1T v , 其中v =向量1的维数与向量v 相同。由y -D v +-v - v +-v -+D (u +-u -) =y (I , -I , D , -D ) (v +, v -, u +, u -) T =y 其中I 是维数为N ×N 的单位阵, 进一步定义x =A =(I , -I , D , -D ) , c =和下述的线性规划问题等价min c T x , 满足A x =b , x ≥0(7)其中c T x 是目标函数, A x =b 是等式约束集, x ≥0是非负约束。这样, (P 1-1) 问题的求解就可以转化为上述线性规划的算法求解。由于A 是维数为N ×2(N +M ) 的矩阵, 则线性规划算法的复杂度为O ((2N +2M ) 3. 5) 。显然, 当N 和M 较大时, 计算复杂度太大, 算法可能无法实现。实际中, 为了使算法能够有效运行, 采用滑动窗口的方式, 将图像进行分块处理。1#1v u , v +v -,u +, b =y , 则(P 1-1) 问题5　实验结果对“ca meraman ”图像(大小为128×128) 添加噪声密度为0. 1的椒盐噪声。由于中值滤波方法是最适合于椒盐噪声的一种常规图像滤波算法, 因此将本文方法与经典中值滤波方法进行比较。以8×8的图像块为滑动窗口, 相邻块之间重叠滑动一个像素, 最终去噪图像的像素值为包含该像素的所有滑动图像块的平均值。由于Heaviside 字典基函数为阶梯函数, 结构简单, 善于捕捉信号中的突变特征[1], 因此实验中采用Heav iside 字典, 去噪结果如图3所示。对含高椒盐噪声的图像来说, 由于大量的椒盐噪声点汇集成一定的区域范围, 中值滤波算法所依赖的原始信息受到极大干扰和破坏, 因而其滤波效果会受到影响。对“synth ”图像(大小为128×128) 添加噪声密度为0. 4的椒盐噪声。以4×4的图像块为滑动窗口。小波基函数具有紧支撑的特性, 适用于表示图像中各向同性的奇异性(如点) 表1　信噪比SN R(单位:dB) 的比较结果SN R “camer aman ”图像“synth ”图像含噪信号12. 中值滤波17. 本文方法20. 2126系　统　工　程　　　　　　　　　　　　　　　　　　2008年[3]　汪雄良, 王正明. 基于快速基追踪算法的图像去噪[J ]. 计算机应用, ) :. [4]　唐彩虹, 蔡利栋. 一种基于直方图的加权均值滤波方法[J]. 微计算畸信息, 2006, (13) :209～211. [5]　周宏潮. 基于稀疏参数模型及参数先验的图像分辨率增强方法研究[D ].长沙:国防科技大学, .[6]　W ang X L , W ang Z M , Wang C L. T ar get featur e-enhanced of SA R imag e based o n r egularizat ion of l k nor m [A ]. I nt ernatio nal Conference o n Space Info rmat ion T echnolog y (ICSIT /2005) , P ro c. of SP IE, , :1～5. [7]　Star ck J L ,Elad M ,Donoho D L .Imag edeco mposition v ia the co mbina tio n o f sparse r epr esent atio ns and a var iational a ppro ach [J ]. IEEE T rans. on Imag e P ro cessing , ) :.[8]　王博, 潘泉. 基于相关度量的高椒盐噪声软阈值直方图滤波算法[J]. 电子学报, ) :.[9]　Chan R H , Ho C W , N iko lova M . Salt -and -pepperDL ,EladM.Optimallyspar sel 1noise remo val by median-ty pe noise detecto rs and det ail preser ving egularizat ion[J].I EEE T r ans. on Imag e Pr og ressing , 9～1485.in g eneraleictionaries v iaChina ,　　由图3、图4和表1可见, 中值滤波方法虽然将噪声去得比较“干净”, 但产生了一些虚假线条和模糊斑块, 从而破坏了原图像中的重要特征。本文方法尽管没有将噪声去得很彻底, 但它能有效地保持图像中的重要特征, 尤其是高椒盐噪声条件下, 能更有效地保持图像中的重要细节(如图4所示) , 与传统去噪方法相比, 信噪比的改进程度更高, 图像视觉效果更好。6　结论基于扩展基追踪模型的图像去噪, 实际上也是一种正则化技术, 只是它同时利用了解的稀疏性和噪声的特性作为先验信息。本文分析了扩展模型的统计意义, 提出了扩展基追踪模型, 给出了一类扩展模型(P 1-1) 的求解算法, 实验结果表明, 针对椒盐噪声, 扩展模型(P 1-1) 具有显著的去噪效果, 同时它能有效地保持图像中的重要特征。参考文献:[1]　Chen S, et al. A tomic decomposition by ba sispur suit [J].SIA M J. Sci. Comp. , ) :33～61. [2]　D onohor epresentation 2202.minimization [J ].P N AS, ) :2197～A New Method of Removing Salt -and -pepper Noise in ImagesT ANG Bin-bing , WANG Zheng -ming , WANG Xiong -liang(Colleg e of I nfo rma tio n Sy st ems and M anag ement , U niv ersity o f Defense T echno lo gy , Changsha 410073, China) Abstract :Consider ing that tr aditio na l Basis Pursuit mo del is not adapted t o imag e de -nosing under non -G aussian noise . Ba sed on v arious t ype of fit ness err or , new ext ended Basis Pur suit model is pro posed and applied int o ima ge de-nosing. Within salt -and-pepper no ise image de -nosing ex per iments result s demo nstrat e that the ex tended Basis Pur suit mo del can pro vide better de-no ising result s.Key words :Imag e De - Salt -and -pepper N Basis P Ex tended M odel本文由(www.wenku1.com)首发，转载请保留网址和出处！
免费下载文档：}