splitmerge matlab,split-bregman_strsplit函数r语言_matlab splitmerge

对于搞图像处理的人而言，不懂变分法，基本上，就没法读懂图像处理的一些经典文献。当然，这已经是10年之前的事情了。

现在，如果不懂得Bregman迭代算法，也就没法读懂最近几年以来发表的图像处理的前沿论文了。国内的参考文献，基本上都是直接引用Bregman迭代算法本身，而对于其原理基本上找不到较为详细的论述。本文简要叙述当前流行的Bregman迭代算法的一些原理。

在图像复原中，一种通用的模型可以描述如下：

e.q.(1)

f：观测到的图像(m维向量)

u：未知的真实图像(n维向量)

A：线性算子，例如反卷积问题中的卷积算子，压缩感知中则是子采样测量算子。

：噪声，通常是高斯加性白噪声。方差为：sigma^2。

目标：由f得到u。

在式(1)中，我们仅知道观察到的图像f，其他的一概不知。因此这种问题是病态的，我们可以通过正则化把它变成良态的。

正则化方法：

假定对未知的参数 μ 引入一个先验的假设，例如稀疏性，平滑性。正则化问题的常见方法Tikhonov方法，它通过求解下面的优化问题：

其中 μ 是一个大于零的标量，事先设定的常数，用于权衡观测图像f和正则项之间的平衡。双绝对值符号是L2范数。L2条件约束。

下面，为了引入Bregman迭代算法，需要对两个重要的概念进行描述(次梯度和Bregman距离)。

这里先复习一下梯度和导数的概念：

导数：lim(△x->0) ( f(x+△x) - f(x) ) / △x

方向导数：lim( dis(P0,P1) ->0) ( f(P1) - f(P0) ) / dis(P0,P1)。。上面讲的导数就是沿着 x 轴 方向的方向导数。

！！导数是 f(x) 在某个方向的变化率，是一个值，标量。

梯度：沿方向导数最大值的方向，大小为该方向导数的值。

！！梯度是一个向量。

subgradient(次梯度，又称子梯度、弱梯度等)，

泛函 J 在 u 点的次梯度定义如下：

J： X->R， 凸函数。

u：作用域X中的一点。

v：作用域 X 中的任一点。

p：X 的对偶空间 X* 的中的某一点。

： 是内积运算。如果泛函 J 是简单的一元函数，则就是两个实数相乘。

J 在 u 点的所有次梯度的集合成为 J 在 u 点的次微分，记为。

次梯度有什么好处呢？

对于一般的导数定义，例如 y=|x| 在0点是不可导的，但是对于次梯度，它是存在的。

点u和v之间的Bregman距离定义如下：

J：X->R， 凸函数。

。。所以 p 是 J 在 u 点的一个次梯度。

凸函数两个点u，v之间的Bregman距离：等于其函数值之差，再减去其次梯度点p与自变量之差的内积。

注意：这个距离不满足对称性，这和一般的泛函分析中距离定义是不一样的。

！！Bregman 距离有一些十分良好的性质，使得他在解决 L1 正则化问题时十分有效。

Bregman迭代算法可以高效的求解下面的泛函的最小值问题。

J：X->R， 凸函数，非负。u∈X。

H：X->R， 凸函数，非负。u∈X，f 是已知常数(通常是一个观察得到的图像数据，是矩阵或向量)。

X：作用域，是凸集也是闭集。

注意：上述泛函会根据具体问题的不同具有不同的具体表达式。例如，对于简介中的图像复原问题， J(u) 是平滑先验约束，是正则化项；而H则是数据项。

首先，初始化相关的参数为零；

然后，再迭代公式u。。直到 uk 满足收敛条件。

u，左边一项是泛函 J 的Bregman距离。

p，右边一项是泛函 H 的梯度(？？？or次梯度？？？)。

本文来自电脑杂谈，转载请注明本文网址：

http://www.pc-fly.com/a/jisuanjixue/article-38498-1.html