三维网格去噪算法(L0范数最小化,包含二维图像去噪)

参考文章(技术来源):Mesh denoising via L0 minimization

上面参考文章提出了一种基于L0范数最小化的三角网格去噪算法。该思想由二维图像平滑引申而来,所以先从基于L0范数最小化的二维图像平滑的原理入手,来一步步讲解。


一. 基于L0范数最小化的二维图像平滑

1. 目的
(1) 去噪后得到的输出(out)图像尽可能接近原图(不要损失边缘,纹理等细节信息);
这里写图片描述
(2) 图像平滑(去噪)。


2. 针对1的分析
(1) 衡量out图与原图的误差函数:
这里写图片描述
目标:最小化误差函数 —— minc|cc|2 m i n c | c − c ∗ | 2

(2) 图像平滑
引入L0范数 —— 可理解为“集合的非零个数”
这里写图片描述
|c|0 | ▽ c | 0 :越大,图像细节纹理越清晰;越小,细节纹理越模糊。

目标: minc|c|0 m i n c | ▽ c | 0 —— 使 |c|0 | ▽ c | 0 尽量小,可实现图像平滑

注意:(1)与(2)是对立关系。


3. 本问题的目标函数
结合2中的(1)和(2),形成了本问题的目标函数:
minc|cc|2+|c|0 m i n c | c − c ∗ | 2 + | ▽ c | 0
即最小化 |cc|2+|c|0 | c − c ∗ | 2 + | ▽ c | 0


4. 引入正则化参数 λ λ
目标函数中,(1)(2)两部分是对立的, |cc|2 | c − c ∗ | 2 小(out图接近原图),则 |c|0 | ▽ c | 0 大。那么,如何找到最优解实现 minc|cc|2+|c|0 m i n c | c − c ∗ | 2 + | ▽ c | 0 ?

我们来引入正则化参数(常量) λ λ 来平衡(1)(2)两部分的比重,目标函数:
minc|cc|2+λ|c|0 m i n c | c − c ∗ | 2 + λ | ▽ c | 0

  • λ λ 大,则(2)最小化比重大,应尽量使 |c|0 | ▽ c | 0 最小化;
  • λ λ 小,则(1)最小化比重大,应尽量使 |cc|2 | c − c ∗ | 2 最小化;
  • 所以 λ λ 能控制out图像的平滑程度。

5. 引入辅助变量 δ δ
4中的目标函数存在无法凸优化问题,引入辅助变量 δ δ ,目标函数:
minc,δ|cc|2+β|cδ|2+λ|δ|0 m i n c , δ | c − c ∗ | 2 + β | ▽ c − δ | 2 + λ | δ | 0
这里写图片描述
我想,引入(2)的目的是因为:我们要找目标函数的最优解,而L0范数( λ|c|0 λ | ▽ c | 0 )不可导,使得全局最优问题成为一个NP(非确定性,数学难题)难问题。所以这里使用变量分裂法,分裂出(2)这个二次函数(因为二次函数都可以求导,得到其最小值)。


6. 开始优化
这里写图片描述
- 第1步:固定c优化 δ δ ,即: minδβ|cδ|2+λ|δ|0 m i n δ β | ▽ c − δ | 2 + λ | δ | 0

  • 第2步:固定 δ δ 优化c,即: minc|cc|2+β|cδ|2 m i n c | c − c ∗ | 2 + β | ▽ c − δ | 2

  • 循环迭代以上两步,每次迭代中 β β 乘以2(使(2)占得比重大,使得最终 cδ ▽ c ≈ δ )。

二. 将以上思想应用于三角网格去噪

1. 目标函数
minp,δ|pp|2+β| D(p)δ|2+λ|δ|0 m i n p , δ | p − p ∗ | 2 + β |   D ( p ) − δ | 2 + λ | δ | 0
分析:
这里写图片描述
关于D(e):
这里写图片描述
但是当有角度接近0时,微分算子的权重会变成inf,因此文章又提出了一种优化后的微分算子表达式:
这里写图片描述
微分算子D(e)中的符号说明:
这里写图片描述


2. 引入正则化项R(p)
对于非均匀噪声网络,应用1中的目标函数模型得到结果:
这里写图片描述
所以在优化过程又加入了一个正则化项: R(p)=(p1p2+p3p4)2 R ( p ) = ( p 1 − p 2 + p 3 − p 4 ) 2

于是目标函数变为: minp,δ|pp|2+α|R(p)|2+β| D(p)δ|2+λ|δ|0 m i n p , δ | p − p ∗ | 2 + α | R ( p ) | 2 + β |   D ( p ) − δ | 2 + λ | δ | 0
这里写图片描述


3. 优化过程仍分为两步

  • 第1步:固定p优化 δ δ ,即: minδβ|D(p)δ|2+λ|δ|0 m i n δ β | D ( p ) − δ | 2 + λ | δ | 0

    有一个限定条件:$\sqrt{\frac{\lambda }{\beta }}>D_{i},\delta

  • 第2步:固定 δ δ 优化p,即: minp|pp|2+α|R(p)|2+β|D(p)δ|2 m i n p | p − p ∗ | 2 + α | R ( p ) | 2 + β | D ( p ) − δ | 2
    相当于求解稀疏矩阵方程组
  • 然后循环迭代上述2个步骤直到达到预定条件。

    • 开始 β=103 β = 10 − 3 ,每次 βμβ β → μ β μ μ 越大棱角越分明,直到 β103 β ≥ 10 3

    • α12α α → 1 2 α

  • 4
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值