1、L1范数为什么可以去噪
L1 范数正则化和稀疏性(这个描述正则化和L1范数稀疏性的很清晰)
老师:
- 简单来说,你首先要知道一个图像的梯度的L1范数是怎么求的
- 噪声图像梯度的1范数和没有噪声图像梯度的1范数,你想想谁的1范数会更大
- 这也是为什么根据TV模型去噪得到的图像会有阶梯效应的原因
由于图像上一般会有噪声,当进行图像恢复时,可能会放大噪声,所以我们需要在恢复图像的过程中,也就是在最优化问题的模型中添加一个正则项来保持图像的光滑。
TV模型就是一种常用的正则项:也就是图像梯度的L1-norm。
在有噪声的地方,图像的梯度会比较大,我们希望得到一个没有噪声的图像,所以要使梯度小一些,得到一个梯度较小的图像。
可以通过求泛函的极值,也就是利用欧拉-拉格朗日条件来求解。
去噪时通常还会添加一个保真项,以免为了过度去噪而是图像不再像原始图像。
那为什么要用图像梯度的L1-norm,而不是L2-norm或者其他范数呢?
因为用L1-norm的话,可以提高稀疏性,这样会使学习的模型不会在意数据集具体噪声等一些不必要的特征,使模型具有一定的泛化效果。
阶梯效应理解
有噪声图像的梯度的L1范数要大一些,在对有噪声的那块区域去噪之后,跟没有噪声的区域,也就是没有进行平滑的地方相比,灰度值会发生变化,所以会产生块效应。