图像处理中的正则化
图像处理中的正则化
二维的图像可以分解成不同的频率成分。其中,低频成分描述大范围的信息,而高频成分描述具体的细节。在灰度图像中,亮度变化小的区域主要是低频成分,而亮度变化剧烈的区域 (比如物体的边缘)主要是高频成分。
前一章说明当噪声存在时过滤是必要的。这章需要仔细看看过滤。过滤也称为正则化,因为它可以解释成对解执行特定规律的条件。正规化的程度是由一个正则化参数决定的,这个参数应该仔细选择。我们本章主要关注两个正则化方法(TSVD和Tikhonov)和三个计算正则化参数的方法(差异原则,广义交叉验证和L-曲线标准).
6.1 两个重要的方法
在前面的章节中SVD分析激发了谱过滤方法的使用,因为这些方法使我们通过过滤因子能控制模糊图像的谱的内容。实现谱过滤方法必须通过选择计算出的解
, (6.1)
中的过滤因子。
为了获得一个有理想性质的解。这些方法受坐标系和坐标系的影响,其中坐标系由向量决定,坐标系由向量决定。操作b的数据
上面提到的坐标系是谱坐标系,因为这些向量分别是和的特征向量。
我们看到了精确的求解方程组,当数据被噪声污染时得不到一个好的解。相反,我们通过(5.3)中的过滤展式过滤光谱解,使得在方向上解的元素按过滤因子缩放,而且可以减小误差在中的影响。在这一节中我们讨论两个最重要的谱过滤方法。
1.TSVD 方法. 对于这个方法,我们定义对于大奇异值过滤因子的大小为1,对于其他奇异值过滤因子为0。更确切地说,
(6.2)
参数称为截断参数决定了正则解中奇异值的数量。注意总满足。例如,这是一种用于计算图5.6所示的解的方法。
2.Tikhonov方法. 对于这种方法,我们定义过滤因子为