浅谈凸优化问题中的Bregman迭代算法

        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。

    

1. 简介

         近年来，由于压缩感知的引入，L1正则化优化问题引起人们广泛的关注。压缩感知，允许通过少量的数据就可以重建图像信号。L1正则化问题是凸优化中的经典课题，用传统的方法难以求解。我们先从经典的图像复原问题引入：

        在图像复原中，一种通用的模型可以描述如下：    

   

         我们目标是从观测到的图像f，寻找未知的真实图像u，u是n维向量空间中的元素，f是m维向量空间中的元素。f 在压缩感知的术语叫做测量信号。 是高斯白噪声其方差为sigma^2。A是线性算子，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。

        

          上述方程中，我们仅仅知道f，其它变量都不知道的。而且这种问题通常情况都是病态的，通过引入正则项可以使之成为良态的。正则化方法假定对未知的参数u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mu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。

    

        下面，为了引入Bregman迭代算法，需