去除阶梯效应的[TV+H1+H0]变分分解模型

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (18): 1-6.

去除阶梯效应的[TV+H1+H0]变分分解模型

方壮1，2，唐利明1，陈世强1，向长城1

1.湖北民族学院理学院，湖北恩施 445000
2.武汉大学数学与统计学院，武汉 430072

出版日期:2015-09-15 发布日期:2015-10-13

TV+H¹+H⁰ variational decomposition for taircase reduction

FANG Zhuang1，2, TANG Liming1, CHEN Shiqiang1, XIANG Changcheng1

1.School of Science, Hubei University for Nationalities, Enshi,　Hubei　445000,　China
2.School of Mathematics and Statistics, Wuhan University, Wuhan 430072, China

Online:2015-09-15 Published:2015-10-13

摘要/Abstract

摘要： 针对基于全变分（Total Variation，TV）极小的变分分解中，结构分量中容易出现阶梯现象而降低图像视觉效果的缺点，提出了一个去除阶梯效应的[TV+H1+H0]变分分解模型。新模型分别采用TV刻画结构分量的分片常值，采用[H1]半范数刻画分片光滑，则图像结构被看成是TV分量与[H1]分量之和。由于新的结构中包含了分片光滑的[H1]分量，所以可以一定程度去除阶梯现象。理论证明了模型的解的非平凡性，并且采用交替迭代算法对模型进行了数值求解。实验中以噪声人造图像和自然图像为实验对象，将分解模型应用到图像去噪，相对于经典的ROF模型和PVD模型，新模型取得了明显的优势。

关键词: 全变分（TV）, ROF模型, 非平凡性, 变分分解, 图像去噪

Abstract: A[ TV+H1+H0 ]variational image decomposition model is proposed to reduce the staircase that often appears in Total Variation（TV） based models in image denoising. The model adopts TV to measure the piecewise constant component and[ H1 ]seminorm to measure the piecewise smooth component of image, respectively. And then, the image structure is represented by the sum of TV piece and[ H1 ]piece. Due to the introduction of[ H1 ]piece that is piecewise smooth, the staircase can be reduced in structure component. In addition, the nontrivial property of the proposed model is proven and an alternating iteration algorithm is introduced to solve the model numerically. The proposed model is used to image denoising. The experimental results on both noisy synthetic and real images show that the proposed model, compared with classical ROF model and PVD model, can achieve better performance.

Key words: Total Variation（TV）, ROF model, nontrivial property, variational decomposition, image denoising

方壮1，2，唐利明1，陈世强1，向长城1. 去除阶梯效应的[TV+H1+H0]变分分解模型[J]. 计算机工程与应用, 2015, 51(18): 1-6.

FANG Zhuang1，2, TANG Liming1, CHEN Shiqiang1, XIANG Changcheng1. TV+H¹+H⁰ variational decomposition for taircase reduction[J]. Computer Engineering and Applications, 2015, 51(18): 1-6.

[1]	刘迪，贾金露，赵玉卿，钱育蓉. 基于深度学习的图像去噪方法研究综述[J]. 计算机工程与应用, 2021, 57(7): 1-13.
[2]	陈人和，赖振意，钱育蓉. 改进的生成对抗网络图像去噪算法[J]. 计算机工程与应用, 2021, 57(5): 168-172.
[3]	王洁，金正猛，冯灿. 自适应广义全变差的图像泊松去噪算法[J]. 计算机工程与应用, 2021, 57(20): 203-209.
[4]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[5]	刘成士，赵志刚，李强，吕慧显，董晓晨，李金霞. 加强的低秩表示图像去噪算法[J]. 计算机工程与应用, 2020, 56(2): 216-225.
[6]	袁小军，周涛，李琛. 基于稀疏先验的非局域聚类图像去噪算法研究[J]. 计算机工程与应用, 2020, 56(18): 177-185.
[7]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[8]	钱满，张向阳，李仁昌. 改进卷积神经网络SAR图像去噪算法[J]. 计算机工程与应用, 2020, 56(14): 176-182.
[9]	杨赵琪璘，彭定涛，唐琦，罗孝敏. 基于稀疏优化lp正则化的光滑化拟牛顿算法[J]. 计算机工程与应用, 2019, 55(22): 163-171.
[10]	李敏，章国豪，曾建伟，杨晓锋，胡晓敏. 结合Inception模型的卷积神经网络图像去噪方法[J]. 计算机工程与应用, 2019, 55(20): 139-144.
[11]	张龙，刘朝霞，刘洪琛. 一种去除椒盐噪声带L1保真项的混合变分模型[J]. 计算机工程与应用, 2019, 55(1): 210-216.
[12]	马红强，马时平，许悦雷，吕超，辛鹏，朱明明. 基于改进栈式稀疏去噪自编码器的图像去噪[J]. 计算机工程与应用, 2018, 54(4): 199-204.
[13]	肖佳，张俊华，梅礼晔. 基于改进BM3D算法的椒盐噪声去噪[J]. 计算机工程与应用, 2018, 54(21): 170-175.
[14]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[15]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.