图像去噪之 TV模型

公式基础

TV算法（也称为Total Variation算法）是一种用于图像去噪、图像分割和图像恢复等问题的常用算法。首先了解以下概念：

• 向量的$L^p$范数：对于一个$n$维向量$\mathbf{x}=(x_1,x_2,\dots ,x_n)$，它的$L^p$范数定义为$\Vert \mathbf{x}{\Vert }_p={\left({\sum }_{i=1}^n|x_i{|}^p\right)}^{1/p}$，其中$p\ge 1$。当$p=1$时，$L^1$范数也称为曼哈顿距离；当$p=2$时，$L^2$范数也称为欧几里得距离。
• 向量的$L^{\infty }$范数：对于一个$n$维向量$\mathbf{x}=(x_1,x_2,\dots ,x_n)$，它的$L^{\infty }$范数定义为$\Vert \mathbf{x}{\Vert }_{\infty }={\max }_{i=1}^n|x_i|$。
• 梯度：对于一个二维图像$f(x,y)$，它的梯度是一个二维向量$\nabla f(x,y)=\left(\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}\right)$，其中$\frac{\partial f}{\partial x}$和$\frac{\partial f}{\partial y}$分别表示$f$在$x$和$y$方向上的偏导数。
• 二维图像的总变差：对于一个二维图像$f(x,y)$，它的总变差定义为$TV(f)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }|\nabla f(x,y)|dxdy$。

有了这些基本概念后，开始推导TV算法。

假设我们要对一幅二维图像$f(x,y)$进行去噪，即找到一个近似的图像$u(x,y)$，使得$u(x,y)$尽可能接近$f(x,y)$，但又要保持$u(x,y)$比$f(x,y)$更加平滑。为了达到这个目的，我们可以使用以下优化问题：

${\min }_u\Vert u-f{\Vert }_2^2+\lambda TV(u)$

其中$\Vert \cdot {\Vert }_2$表示$L^2$范数，$\lambda$是一个正则化参数，用于平衡平滑性和精度。

我们可以使用梯度下降法求解这个优化问题，即不断迭代以下更新：

$u^{k+1}=u^k-\mu \left(2(u^k-f)-\lambda \nabla \cdot \left(\frac{\nabla u^k}{|\nabla u^k|+ϵ}\right)\right)$

其中$k$表示迭代次数，$\mu$是学习率，$\nabla \cdot$表示散度运算，$ϵ$是一个很小的正数，用于防止分母为零。这个更新公式的含义是，我们沿着误差梯度的反方向向目标移动，同时加入一个平滑项的梯度，用于保持平滑性。

在每次迭代中，我们需要计算$\nabla u^k$和$\nabla \cdot \left(\frac{\nabla u^k}{|\nabla u^k|+ϵ}\right)$。这些计算可以通过图像的差分运算来实现，具体来说，我们可以使用以下近似：

$\frac{\partial u}{\partial x}\approx \frac{u(x+1,y)-u(x,y)}{\Delta x}$

$\frac{\partial u}{\partial y}\approx \frac{u(x,y+1)-u(x,y)}{\Delta y}$

$\nabla u\approx \left[\begin{array}{c}\frac{\partial u}{\partial x}\\ \frac{\partial u}{\partial y}\end{array}\right]$

$\nabla \cdot \left(\frac{\nabla u}{|\nabla u|+ϵ}\right)\approx \frac{\partial }{\partial x}\left(\frac{\frac{\partial u}{\partial x}}{\sqrt{{\left(\frac{\partial u}{\partial x}\right)}^2+{\left(\frac{\partial u}{\partial y}\right)}^2+{ϵ}^2}}\right)+\frac{\partial }{\partial y}\left(\frac{\frac{\partial u}{\partial y}}{\sqrt{{\left(\frac{\partial u}{\partial x}\right)}^2+{\left(\frac{\partial u}{\partial y}\right)}^2+{ϵ}^2}}\right)$

其中$\Delta x$和$\Delta y$表示图像中相邻像素之间的距离。这些近似式可以通过中心差分、前向差分或后向差分等方法来计算。

通过不断迭代以上更新公式，可以逐渐优化$u$，使得它同时接近$f$和具有平滑性。需要注意的是，这个优化问题是一个非凸优化问题，因此可能会收敛到局部最优解而不是全局最优解。尝试使用不同的初始值、学习率和正则化参数来进行多次迭代，并选择最终结果最好的一个。

代码解析

‘’’ matlab

% 设置参数
lambda = 0.1;
mu = 0.5;
epsilon = 1e-5;
niter = 100;

% 初始化u
u = f_noisy;		% 噪声图像f_noisy

% 迭代更新u
for i = 1:niter
    % 计算梯度
    [ux, uy] = gradient(u);
    gradmag = sqrt(ux.^2 + uy.^2);
    
    % 计算散度
    div = divergence(ux./(gradmag+epsilon), uy./(gradmag+epsilon));
    
    % 更新u
    u = u - mu*(2*(u-f_noisy) - lambda*div);
    
    % 显示进度
    if mod(i,10)==0
        fprintf('Iteration %d\n',i);
        imshow(u);
        drawnow;
    end
end

‘’’