CN103761715A - 一种用于图像去噪的分数阶原始对偶方法 - Google Patents
一种用于图像去噪的分数阶原始对偶方法 Download PDFInfo
- Publication number
- CN103761715A CN103761715A CN201410032978.6A CN201410032978A CN103761715A CN 103761715 A CN103761715 A CN 103761715A CN 201410032978 A CN201410032978 A CN 201410032978A CN 103761715 A CN103761715 A CN 103761715A
- Authority
- CN
- China
- Prior art keywords
- fractional order
- original
- image
- denoising
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种用于图像去噪的分数阶原始对偶方法,涉及一种一种用于图像去噪的方法,包括分数阶原始对偶去噪模型和分数阶原始对偶数值算法。其特征在于,所述一种分数阶原始对偶去噪模型,即分数阶ROF去噪模型的原始对偶描述,表达式为:
Description
技术领域
本发明涉及一种改善图像视觉效果的分数阶原始对偶模型,特别是涉及一种用于图像去噪的分数阶原始对偶算法。
背景技术
图像去噪是数字图像处理领域的重要研究课题之一,其主要目的是改善图像质量,便于图像处理后续工作的进行。目前,该领域的研究热点和难点之一,是图像噪声和边缘均属于图像中的高频信息,如何寻找既能有效消除噪声,又能同时保留图像边缘等细节特征的去噪方法。为了解决这一问题,1992年Rudin等人提出了著名的全变分正则化模型,又称ROF模型。该模型通过引入能量函数,将图像去噪问题转化为泛函求极值问题。所采用的函数空间允许存在跳跃间断,因此可以较好地保持图像的边缘。ROF模型表示为:
假定待处理图像的大小为M×N,则模型中梯度算子的离散形式为:
式中
则模型中正则项的离散形式可具体定义为:
(4)
ROF模型的缺陷在于其建立在有界变差空间,该空间的函数具有分段平滑特性,所以去噪后易产生“阶梯效应”,即分段平滑现象。近年来,综合考虑具有一阶正则项的ROF模型易产生“阶梯效应”,而具有高阶正则项的变分模型虽能抑制“阶梯效应”,但去噪能力不佳的缺点,一些学者将分数阶微分引入到变分模型中,解决该新衍生的问题。分数阶ROF模型可表示为:
利用分数阶微分的G-L定义,分数阶梯度算子的离散形式可定义为:
(6)
式中,
则分数阶正则项的离散形式可具体定义为:
目前,已有一些成熟的分数阶图像去噪方法。例如,Zhang和Wei等人提出了一种分数阶多尺度图像去噪模型,并采用Chambolle的投影算法求解模型。Zhang和Pu等人提出了一种分数阶变分图像修复模型,并采用梯度下降算法求解模型。此外,Chen和Sun等人提出了一种分数阶TV-L2图像去噪模型,并采用Bioucas的MM算法求解模型。上述方法在本领域内均有一定的影响力,能在不同程度上有效改善图像的视觉效果,但采用的求解模型的数值计算方法均存在收敛速度较慢的问题。
发明内容
本发明的目的在于提供一种用于图像去噪的分数阶原始对偶方法,该方法通过基于预解式的自适应变步长迭代优化策略寻优求解分数阶去噪模型,能弥补传统数值算法对步长要求过高的缺陷,并且能有效快速收敛,最终有效改善图像的视觉效果。
本发明的目的是通过以下技术方案实现的:
一种用于图像去噪的分数阶原始对偶方法,包括分数阶原始对偶去噪模型和分数阶原始对偶数值算法,所述一种分数阶原始对偶去噪模型,表达式为:
所述的一种用于图像去噪的分数阶原始对偶方法,两种模型的结构相似性,采用求解鞍点问题的数值算法求解所述的分数阶原始对偶去噪模型;所述分数阶原始对偶数值算法步骤如下:
步骤 2. 计算
步骤 3.计算原始对偶间隔,定义如下:
所述的一种用于图像去噪的分数阶原始对偶方法,一种分数阶原始对偶数值算法,当参数(,为分数阶算子的展开项数)时,算法收敛。
本发明的优点与效果是:
本发明提出一种与分数阶ROF模型等价的分数阶原始对偶模型,该模型在结构上与具有鞍点结构的优化模型形式相近,可建立对应关系,故可采用一种灵活的基于预解式的分数阶原始对偶算法实现。该算法的收敛速度明显优于一些经典数值算法。例如,梯度下降法,投影法,MM算法等。针对算法中的分数阶梯度算子,本发明确定了其范数的取值范围,以保证算法的收敛性。提出的分数阶原始对偶模型能有效改善图像的视觉效果,同时提出的分数阶原始对偶算法易于实现,能有效收敛。
附图说明
图1为本发明分数阶微分幅频特性响应曲线图;
图2为本发明不同微分阶次下心脏超声图像去噪效果比较图;
图3为本发明典型微分阶次下Lena图像去噪效果及其局部效果的比较图;
图4为本发明不同分数阶次时模型的收敛性比较图。
注1:本发明图2及图3为去噪效果的分析图片(仅供参考),图中影像不清晰并不影响对本发明技术方案的理解。
具体实施方式
下面结合实施例,对本发明作进一步详述。
首先结合分数阶微积分理论和对偶理论,等价变换分数阶ROF模型,提出一种分数阶原始对偶去噪模型。
式中,
分数阶ROF模型中的分数阶正则项可作如下等价变换,
据此本发明提出一种分数阶原始对偶去噪模型,表示为:
(14)
下面分析提出的分数阶原始对偶去噪模型与具有鞍点结构的优化模型在形式上的相似性。具有鞍点结构的优化问题可描述为:
对偶问题可表示为:
分数阶原始对偶数值算法:
(18)
步骤 2. 计算
步骤 3.计算原始对偶间隔,定义如下:
(21)
原始对偶间隔是对偶问题和原始问题的目标函数差值。该差值在鞍点处可达到最小,故以该指标设定阈值,可保证算法收敛到最优解。
考虑到提出的分数阶原始对偶去噪模型与具有鞍点结构的优化模型在形式上的相似性,并且去噪模型中保真项为凸函数,满足算法的前提条件,故可采用上述数值算法实现图像去噪的优化过程。该算法实现了自适应变步长迭代,可有效提高寻优效率,弥补一些传统数值算法对步长要求过高的缺陷。
下面具体给出本发明提出的分数阶原始对偶去噪算法的流程:
步骤 2. 计算
(24)
式中,。
步骤 3.计算原始对偶间隔,定义如下:
数值实验与分析:
提出的分数阶原始对偶算法中,需要计算分数阶算子的伴随算子,如将图像视为向量,根据线性代数理论,可得出作用于向量时的伴随矩阵等于的转置。为了方便算法的实现,实验中首先对图像进行向量化处理。通过逐行扫描的方式,将图像矩阵转换为列向量,这样对于的图像,图像矩阵的位置对应列向量中的位置。
分数阶原始对偶模型去噪能力的分析:
图1中给出了几个典型分数阶微分的幅频特性响应曲线。从频域角度分析,随着微分阶次的增加,信号的中频和高频成分能有效增强。针对图像,中频成分对应图像的纹理部分,高频成分对应图像的边缘和噪声部分。综合考虑模型对噪声的抑制能力和对图像细节特征的保护能力选取。
可见分数阶模型较一阶模型能有效抑制“阶梯效应”,即分段平滑现象。而与二阶模型相比,能更有效的去除噪声。随着分数阶次的增加图像的细节保护能力能有效增强,但也残留更多的噪声成分。这一结果符合前面关于分数阶微分频率特性的分析。
图3(a)原始图像;图3(b)标准差为20的噪声图像;图3(c) 的去噪效果;图3(d) 的去噪局部效果;图3(e) 的去噪效果;图3(f) 的去噪局部效果;图3(g) 的去噪效果;图3(h) 的去噪局部效果。
表1中比较了不同分数阶次下去噪图像的峰值信噪比。
表1 不同阶次下去噪图像峰值信噪比的比较
1 | 1.2 | 1.4 | 1.6 | 1.8 | 2.0 | |
32.2758 | 32.3101 | 32.3905 | 32.4565 | 32.5637 | 32.5506 | |
30.3843 | 30.3931 | 30.4510 | 30.4831 | 30.6022 | 30.5692 | |
28.3753 | 28.5355 | 28.5908 | 28.7381 | 28.8283 | 28.7441 |
峰值信噪比呈现先增大后减小的变化规律。这验证了选取范围的合理性。
分数阶原始对偶算法的性能分析和比较:
首先跟踪模型原始对偶间隔的变化情况。从理论上讲,原始对偶间隔为零时,模型的解为最优解。选取含有均值为0,标准差为30高斯白噪声的“Lena”图像作为测试图像,设置参数。
图4中给出了几个典型分数阶次作用下原始对偶间隔的变化曲线。结果表明,当时,算法快速收敛;而当时,算法收敛速度明显减慢。可见当分数阶次增加时,模型能保护更多图像细节特征的同时,也残留了更多的噪声,去噪能力减弱。
此外,为了说明本算法在变分数值算法中的快速性优势,将其与一些经典算法进行比较,包括Chambolle的投影算法,Bioucas的MM算法,和Beck的快速梯度算法。选取“Lena”图像作为测试图像,加入均值为0,标准差分别为10,20和30的高斯白噪声。
表2 几种变分算法迭代次数和CPU时间的比较
本发明涉及的基于预解式的原始对偶算法收敛速度明显优于其它测试算法。
由于一阶梯度算子是由有限项组成的局域算子,而分数阶梯度算子是由无限项组成的全局算子,所以分数阶模型的实现在速度上要比一阶情况慢。
表3 不同分数阶次下迭代次数和CPU时间的比较
结果表明,随着分数阶次的增加,算法的收敛速度变慢。这与前面关于原始对偶间隔变化情况的测试结论相一致。
Claims (3)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410032978.6A CN103761715A (zh) | 2014-01-23 | 2014-01-23 | 一种用于图像去噪的分数阶原始对偶方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410032978.6A CN103761715A (zh) | 2014-01-23 | 2014-01-23 | 一种用于图像去噪的分数阶原始对偶方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103761715A true CN103761715A (zh) | 2014-04-30 |
Family
ID=50528948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410032978.6A Pending CN103761715A (zh) | 2014-01-23 | 2014-01-23 | 一种用于图像去噪的分数阶原始对偶方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761715A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537613A (zh) * | 2014-12-02 | 2015-04-22 | 沈阳大学 | 一种用于改善图像视觉效果的分数阶I-divergence方法 |
CN106251315A (zh) * | 2016-08-23 | 2016-12-21 | 南京邮电大学 | 一种基于全变分的图像去噪方法 |
CN108805916A (zh) * | 2018-04-27 | 2018-11-13 | 沈阳理工大学 | 一种基于分数阶变分光流模型及对偶优化的图像配准方法 |
CN111951776A (zh) * | 2020-08-21 | 2020-11-17 | 湖南工业大学 | 一种基于分数阶可变步长的列车牵引系统主动噪声控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236046A (zh) * | 2013-04-28 | 2013-08-07 | 南京理工大学 | 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法 |
CN103337060A (zh) * | 2013-07-17 | 2013-10-02 | 蒲亦非 | 一种基于分数阶偏微分方程的纹理图像高精度去噪滤波器 |
-
2014
- 2014-01-23 CN CN201410032978.6A patent/CN103761715A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236046A (zh) * | 2013-04-28 | 2013-08-07 | 南京理工大学 | 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法 |
CN103337060A (zh) * | 2013-07-17 | 2013-10-02 | 蒲亦非 | 一种基于分数阶偏微分方程的纹理图像高精度去噪滤波器 |
Non-Patent Citations (2)
Title |
---|
ANTONIN CHAMBOLLE ET AL.: "A first-order primal-dual algorithm for convex problems with applications to imaging", 《JOURNAL OF MATHEMATICAL IMAGING AND VISION》 * |
JUN ZHANG ET AL.: "Adaptive Fractional-order Multi-scale Method for Image Denoising", 《JOURNAL OF MATHEMATICAL IMAGING AND VISION》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537613A (zh) * | 2014-12-02 | 2015-04-22 | 沈阳大学 | 一种用于改善图像视觉效果的分数阶I-divergence方法 |
CN106251315A (zh) * | 2016-08-23 | 2016-12-21 | 南京邮电大学 | 一种基于全变分的图像去噪方法 |
CN106251315B (zh) * | 2016-08-23 | 2018-12-18 | 南京邮电大学 | 一种基于全变分的图像去噪方法 |
CN108805916A (zh) * | 2018-04-27 | 2018-11-13 | 沈阳理工大学 | 一种基于分数阶变分光流模型及对偶优化的图像配准方法 |
CN108805916B (zh) * | 2018-04-27 | 2021-06-08 | 沈阳理工大学 | 一种基于分数阶变分光流模型及对偶优化的图像配准方法 |
CN111951776A (zh) * | 2020-08-21 | 2020-11-17 | 湖南工业大学 | 一种基于分数阶可变步长的列车牵引系统主动噪声控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pistilli et al. | Learning graph-convolutional representations for point cloud denoising | |
US20160321523A1 (en) | Using machine learning to filter monte carlo noise from images | |
Wang et al. | A new image denoising method based on Gaussian filter | |
CN103761715A (zh) | 一种用于图像去噪的分数阶原始对偶方法 | |
WO2016054778A1 (en) | Generic object detection in images | |
Miche et al. | A Methodology for Building Regression Models using Extreme Learning Machine: OP-ELM. | |
CN104331869B (zh) | 梯度与曲率相结合的图像平滑方法 | |
CN105005975B (zh) | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 | |
US20150193656A1 (en) | Performing hand gesture recognition using 2d image data | |
Qinqing et al. | Image enhancement technique based on improved PSO algorithm | |
CN104392418B (zh) | 基于各向异性扩散的图像平滑改进算法 | |
CN103679646A (zh) | 一种用于图像去噪的原始对偶模型 | |
Ullah et al. | An efficient variational method for restoring images with combined additive and multiplicative noise | |
CN104537613A (zh) | 一种用于改善图像视觉效果的分数阶I-divergence方法 | |
US20200143904A1 (en) | Predicting molecular properties of molecular variants using residue-specific molecular structural features | |
Huang et al. | Variational level set method for image segmentation with simplex constraint of landmarks | |
Zhang et al. | Image restoration method based on fractional variable order differential | |
CN112396567A (zh) | 基于法向修正与位置滤波两步法的散乱点云去噪方法 | |
Akram et al. | An Embedded Polygon Strategy for Quality Improvement of 2D Quadrilateral Meshes with Boundaries. | |
CN105844593A (zh) | 一种单幅干涉圆条纹预处理的自动化处理方法 | |
Shang et al. | An algorithm of edge detection based on soft morphology | |
CN110047046B (zh) | 图像分割和偏移场矫正方法、可读存储介质和终端 | |
Ledoux et al. | How to specify or identify the most accurate multispectral distance function for mathematical morphology? | |
US11148487B2 (en) | Tread pattern generation method for generating tread pattern of tire to reduce noise with higher precision | |
Chen et al. | Local aggressive and physically realizable adversarial attacks on 3D point cloud |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140430 |