图像去噪的优化模型
假设 V V V代表原图，观测到的图像是 W W W， W W W是原图与噪声的叠加 W = V + ξ W=V+\xi W=V+ξ，我们的目标是对 W W W去噪，恢复原来的图像，可以使用一个优化模型来完成这个任务。假设恢复后的图像为 U U U，则
U ∗ = arg min U ( 1 2 ∥ U − W ∥ 2 2 + λ ∥ ∇ U ∥ p ν ) U^* = \argmin_U (\frac{1}{2} \left\|U-W\right\|_2^2 + \lambda \left\| \nabla U\right\|_p^{\nu}) U∗=Uargmin(21∥U−W∥22+λ∥∇U∥pν)
这个优化目标的第一项 ∥ U − W ∥ 2 2 \left\|U-W\right\|_2^2 ∥U−W∥22作用是保证恢复后的原图与有噪声的图像差别不会太大；第二项的作用是通过系数 λ \lambda λ来调节恢复后的图像平滑程度，通常设定 ν = p \nu=p ν=p。为了让这个模型更可行，将图像（image）想象成一个图（graph），图的顶点是图像的像素点，图的边代表其两个端点对应的像素点相邻。从而优化目标的第一项可以表示为
∥ U − W ∥ 2 2 = ∑ v ( U v − W v ) 2 \left\|U-W\right\|_2^2 = \sum_{v} (U_v - W_v)^2 ∥U−W∥22=v∑(Uv−Wv)2
v v v代表图像的像素点。第二项可以表示为
∥ ∇ U ∥ p p = ∑ e = v 1 v 2 ∣ U v 1 − U v 2 ∣ p \left\| \nabla U\right\|_p^p = \sum_{e=v_1v_2} |U_{v_1} - U_{v_2}|^p ∥∇U∥pp=e=v1v2∑∣Uv1−Uv2∣p
平滑项取 L 1 L_1 L1范数的效果一般是比较好的，所以令 p = 1 p=1 p=1，但这样第二项就成了绝对值函数不好做优化，因此考虑对绝对值做一个近似
∣ U v 1 − U v 2 ∣ ≈ ϵ 2 + ( U v 1 − U v 2 ) 2 |U_{v_1} - U_{v_2}| \approx \sqrt{\epsilon^2 + (U_{v_1} - U_{v_2})^2} ∣Uv1−Uv2∣≈ϵ2+(Uv1−Uv2)2
其中 ϵ \epsilon ϵ是一个绝对很小的常数。因此优化问题可以表示为
U ∗ = arg min U ( 1 2 ∑ v ( U v − W v ) 2 + λ ∑ e = v 1 v 2 ϵ 2 + ( U v 1 − U v 2 ) 2 ） U^* = \argmin_U (\frac{1}{2} \sum_{v} (U_v - W_v)^2 + \lambda \sum_{e=v_1v_2}\sqrt{\epsilon^2 + (U_{v_1} - U_{v_2})^2}） U∗=Uargmin(21v∑(Uv−Wv)2+λ
最低0.47元/天 解锁文章
2859
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
