小波变换和变分PDE相结合的图像去噪算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (28): 21-23.

小波变换和变分PDE相结合的图像去噪算法

赵东红1，2，赵向奎1，王来生2

1.北京科技大学数理学院数力系，北京 100083
2.中国农业大学理学院数学系，北京 100085

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-01 发布日期:2011-10-01

Combining wavelet transform and total variation for image denoising

ZHAO Donghong1，2，ZHAO Xiangkui1，WANG Laisheng2

1.Department of Mathematics and Mechanics，School of Mathematics and Physics，University of Science and Technology Beijing，Beijing 100083，China
2.Department of Mathematics，School of Science，China Agricultural University，Beijing 100085，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-01 Published:2011-10-01

摘要/Abstract

摘要： 为了更好地恢复图像，利用小波变换的思想，提出了一种变分和小波变换相结合的图像去噪算法。该算法的思想是先构造一个用带有韦伯心理学的范数估计图像正则性的变分泛函，然后在小波域中最小化变分泛函得到还原图像。与传统的直接求泛函最小化的问题有区别，该算法是用变分的思想再结合小波变换进行图像去噪。小波变换后的高频分量具有丰富的细节边缘信息，因而能够重构出高质量的图像，而且小波的引入使得新算法具有运行时间短、速度快的特点。理论分析和实验仿真表明，该算法能达到比单一方法更好的恢复效果。

关键词: 韦伯变分泛函, 小波变换, 图像去噪

Abstract: To recover the image，it proposes an algorithm combining TV model and wavelet transform for image denoising.The main plan is to put forward a Weberized TV functional for estimating the regularity of the image，and minimize the TV functional in the wavelet domain in order to achieve the recovered image.The direct difference compared with the minimum of the traditional functional，the algorithm is re-thinking the variational wavelet transform for image denoising.High frequency components of wavelet transform have a wealth of detail edge information，so it can reconstruct high quality images，and the introduction of wavelet algorithm makes the text short and fast in the new running time.Theoretical analysis and simulation show that the algorithm can recover better than the effect of a single method.

Key words: Weberized total variation, wavelet transform, image denoising

赵东红1，2，赵向奎1，王来生2. 小波变换和变分PDE相结合的图像去噪算法[J]. 计算机工程与应用, 2011, 47(28): 21-23.

ZHAO Donghong1，2，ZHAO Xiangkui1，WANG Laisheng2. Combining wavelet transform and total variation for image denoising[J]. Computer Engineering and Applications, 2011, 47(28): 21-23.

[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]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[5]	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.
[6]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[7]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[8]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.