本文主要讨论图像处理中的全变差图像复原问题,首先简要介绍一下数字图像复原问题:
令 x ∈ R n x \in \mathcal{R}^n x∈Rn表示一个二维图像,令 n = n 1 ⋅ n 2 n=n_1 \cdot n_2 n=n1⋅n2表示该图像的所有像素,其中 n 1 n_1 n1 和 n 2 n_2 n2分别表示水平和竖直方向像素的数量。图像复原问题是从退化了的图像(记为 x 0 x^0 x0)复原出原图(记为 x ‾ \overline{x} x),数学模型如下:
x 0 = K x ‾ + ω x^0 = K\overline{x}+\omega x0=Kx+ω
其中, ω ∈ R m \omega \in \mathcal{R}^m ω∈Rm表示加性噪声, K : R → R m K: \mathcal{R} \rightarrow \mathcal{R}^m K:R→Rm表示一个线性变换(eg: 模糊核的卷积)。由于该模型通常是病态的,所以需要一定的正则化技术。其中最受欢迎的正则化技术是全变差正则,主要是因为它能够保持图像的边缘。令 ∂ 1 : R n → R n \partial_1 : \mathcal{R}^n \rightarrow \mathcal{R}^n ∂1:Rn→Rn和 ∂ 2 : R n → R n \partial_2 : \mathcal{R}^n \rightarrow \mathcal{R}^n ∂2:Rn→Rn分别表示水平和竖直方向上的有限差分算子。令 ∇ : = ( ∂ 1 , ∂ 2 ) \nabla := (\partial_1, \partial_2) ∇:=(∂1,∂2)表示梯度算子。考虑以下 T V − l 2 TV-l^2 TV−l2模型:
min ∥ ∣ ∇ x ∣ ∥ 1 + μ 2 ∥ K x − x 0 ∥ 2 \min \||\nabla{x}|\|_1+\frac{\mu}{2}\|Kx-x^0\|^2 min∥∣∇x∣∥1+2μ∥Kx−x0∥2
其中 μ > 0 \mu>0 μ>0是全变差正则化项和数据保真项之间的权衡常数,并且 l 1 − n o r m ∥ ∣ ⋅ ∣ ∥ 1 l^1-norm \||\cdot|\|_1 l1−norm∥∣⋅∣∥1定义于 R n × R n \mathcal{R}^n \times \mathcal{R}^n Rn×Rn上
∥ ∣ y ∣ ∥ 1 : = ∥ ( ∣ y ∣ ) ∥ 1 , ∀ y = ( y 1 , y 2 ) ∈ R n × R n \||y|\|_1:=\|(|y|)\|_1, \quad \forall y = (y_1, y_2) \in \mathcal{R}^n \times \mathcal{R}^n ∥∣y∣∥
全变差图像复原问题(Total Variation Image Restoration Problem)
最新推荐文章于 2023-06-14 00:47:54 发布
本文深入探讨了全变差图像复原问题,利用TV-l2模型处理图像退化,通过介绍正则化技术,特别是全变差正则,来保持图像边缘。文章详细阐述了TV-l2模型的数学表述,ADMM迭代算法以及在空间不变卷积算子情况下的傅里叶变换求解方法。
摘要由CSDN通过智能技术生成