图像修复之基于PDE的正则化或扩散基础

最简单的公式涉及各向同性正规化(或扩散)，它源于线性热(或热流)方程

 

其中F是原始图像I的退化版本。∆𝐼表示图像拉普拉斯式。用时间变量t对偏微分方程的演化进行参数化，t描述了函数i的连续级数。各向同性扩散，使这些变化在所有方向上最小化，作为低通线性滤波抑制图像中的高频。由于这个原因，该方法遭受模糊接近边缘和轮廓。更一般的形式(使用非线性偏微分方程)，最初用于描述物理和流体动力学现象，现已引入，以更好地保存边缘和锐度。

NONLINEAR ISOTROPIC DIFFUSION

热方程可以写成散度形式

 

div表示散度算子，它测量矢量场(这里是图像强度)在x和y方向上的变化速度。这使得Perona和Malik引入了热方程的非线性扩展，如

 

通过引入扩散系数(也称为传导系数),这是一个标量[0.1]由特征向量的方向递减返回。扩散受偏微分方程控制。扩散系数的目的是限制边缘周围的扩散，避免区域边界的平滑。提出了两个计算扩散系数的函数

 

其中α是实验中选择的常数，用来控制对边缘的灵敏度。函数g(.)在陡峭边缘(高梯度)附近消失，在平坦区域(低梯度)返回一个接近1的值。这种方法通常被称为各向异性扩散，尽管它是一种非线性扩散。的确，局部应用的滤波器是各向同性的，但它的响应是局部适应的，并在空间上发生变化，因此在边缘附近扩散过程减弱，在均匀区域扩散较强。在[6]中可以找到对这个模型的一个很好的回顾。

ANISOTROPIC DIFFUSION USING TENSOR FIELDS

更进一步的是引入局部自适应滤波器，用于在接近图像边缘这样的图像结构的地方进行真正的各向异性扩散。各向异性正则化(或扩散)是指在具有不同权重的特殊空间方向上进行平滑。Weickert使用扩散张量场来寻找扩散的特权方向。

从结构张量G =∇𝐼∇𝐼𝑇的谱元出发，在图像的每一点(X,Y)推导出扩散张量D(对称正定矩阵)

 

其中v1和v2是结构张量G的特征向量(1m和2m是相应的特征值)。因此，像素值沿着特征向量v1和v2给出的局部方向各向异性平滑，相应的特征值给出权重(或平滑强度)。换句话说，特征值决定了特征向量方向上的扩散。扩散受偏微分方程控制

 

注意，如果D等于单位矩阵，我们得到热方程，即各向同性扩散。还需要注意的是张量可以用高斯核正则化，这将导致沿着边缘的细长核和均匀区域的类高斯核的图像平滑。进一步提出了一种边缘增强扩散(EED)方法，在垂直于边缘的方向上，扩散系数随对比度的增加而减小。EED扩散率变化的影响如图2所示。还提出了一种相干增强扩散(CED)，当(𝜆1 −𝜆2)*2测量的相干增加时，沿v2给出的相干方向的扩散系数增加。

ANISOTROPIC DIFFUSION USING ORIENTED LAPLACIANS

图像的平滑度(及其变化)也可以通过图像的二维拉普拉斯算子的离散化来测量，而不是使用梯度或发散算子。在这种情况下，各向异性扩散模型表示为

 

其中项Iv1v1 和Iv2v2 是像拉普拉斯算子，即I在向量v1和v2给出的方向上的二阶导数，如上所述，是从局部像结构(梯度、等照度或张量场)推导出来的。同样，可以将上述公式分别应用于图像的每个颜色通道上，也可以应用于彩色图像的三个分量(R,G,B)构成的向量上，实现多值图像的平滑。扩散由平滑方向v1和v2以及相应的权值1m和2m控制。这可以看作是沿着v1和v2给出的标准方向的热流。