CN104123701A - 基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法 - Google Patents
基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法 Download PDFInfo
- Publication number
- CN104123701A CN104123701A CN201410322966.7A CN201410322966A CN104123701A CN 104123701 A CN104123701 A CN 104123701A CN 201410322966 A CN201410322966 A CN 201410322966A CN 104123701 A CN104123701 A CN 104123701A
- Authority
- CN
- China
- Prior art keywords
- image
- prox
- envelope
- centerdot
- alpha
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
Abstract
基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,建立去除脉冲噪声的数学模型;对数学模型进行全变差范数的平滑化处理;对平滑化处理后的模型进行求解,得到去噪后的图像;对模型求解算法进行收敛速度分析,确定拥有加速步骤的求解算法流程。本发明基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,利用莫罗包络对全变差范数进行平滑化处理,平滑后的全变差范数为可微凸函数,是原函数的可微紧下界,具有迭代形式的解析解,也是原函数的解,其梯度很容易计算;由于求解的外部循环属于收缩算子,提出了加速策略,给出了加速版的算法,大大提高了收敛速度。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法。
背景技术
图像在获取、传输、存储及处理过程中,由于成像质量、传输介质、存储器件和处理手段的影响,不可避免地出现一些随机、离散的亮点或暗点,称之为脉冲噪声。脉冲噪声属于非全局噪声,去除比较困难。例如电荷耦合器件(CCD)因感光面积太小、热稳定性不足、长时间曝光等原因会产生脉冲噪声。为了去除脉冲噪声,一方面需要改善硬件质量,这需要较高的成本;另一方面可以从算法入手,设计合适的算法可以大幅度提高图像质量。
目前,去除图像脉冲噪声的基本方法是中值滤波和均值滤波。均值滤波是指对像素某个邻域内的所有像素值求平均值,用以代替原像素值。中值滤波则是选择像素某个邻域内的所有像素值的中间值,用中间值来代替原像素值。这两种方法只在脉冲噪声密度较小时有效,且容易造成局部模糊。维纳滤波法也可用来去除脉冲噪声,但它只涉及图像信息中的二阶统计特性,不涉及更重要高阶统计特性,因此其去噪效果并不理想。
发明内容
本发明的目的是提供一种基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,该方法能够去除较高密度的脉冲噪声,修复前后图像对比度和形态不变,不易产生局部模糊。
本发明所采用的技术方案是,基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,具体包括以下步骤:
步骤1,建立去除脉冲噪声的数学模型;
步骤2,对步骤1建立的数学模型中的全变差范数进行平滑化处理;
步骤3,对步骤2平滑化处理后的模型进行求解,得到去噪后的图像;
步骤4,对步骤3模型求解算法进行收敛速度分析,确定拥有加速步骤的求解算法流程。
本发明的特点还在于,
步骤1具体为:
含脉冲噪声图像的数学模型为
b=x+w (1)
其中,矩阵x、w和b分别表示尺寸为n×n的无噪声图像、脉冲噪声和退化图像;
去除脉冲噪声的数学模型为
min||x||TV
s.t||x-b||0≤ε (2)
为便于表达,设r=n2,将x看成向量,R为n×n的一阶差分Toeplitz方阵即
令 In×n为单位矩阵,表示矩阵的Kronecker积,易知||x||TV=Φ(Cx),因此最小化||x||TV就是降低噪声的影响;
由于||x-b||0失去了幅度特征,难以求导,公式(2)无法求解,又因l1-范数对l0-范数具有良好的近似特性,故选择l1-范数作为保真项,公式(2)转化为:
minΦ(Cx)
s.t||x-b||1≤ε (4)
正则化后可得
minF(x)=λ||x-b||1+Φ(Cx)
s.tx={xi,j,0≤xi,j≤1} (5)。
步骤2中平滑化处理的具体步骤为:
定义任意凸函数f(x)的莫罗包络为
由凸分析知,任何凸函数的莫罗包络都是可微凸函数,且inf envαf(x)=f(x),即凸函数的莫罗包络是其本身的紧下界,因此同时,当α趋于0时,envαf(x)也趋于f(x);envαf(x)的梯度为▽envαf(x)=α-1[1-proxαf(x)],其中
为构造全变差范数的莫罗包络,需利用公式(5)的增广拉格朗日(augmented Lagrange)形式,即引入中间变量q,使公式(5)转化为
s.tx={xi,j,0≤xi,j≤1} (7)
将(7)式中替换为Φ(Cx)的莫罗包络,可得
minFenv(Cx,x)=λ||x-b||1+envαΦ(Cx)
s.tx={xi,j,0≤xi,j≤1} (8)。
步骤3,求解的具体算法流程为:
输入:含噪图像b,常数m、λ和α;
初始化:令x0=b;
迭代:
其中
输出:xk+1。
步骤4,收敛速度分析如下:
每循环一次,内部循环l次proxαΦ(·),则总的收敛速度为O[l(1+s)/k]。其中k为的迭代次数,l为proxαΦ(·)的迭代次数,s为小于1的常数;
拥有加速步骤的求解算法流程为:
输入:含噪图像b,常数m、λ和α;
初始化:令y0=b;t0=1;
迭代:
输出:xk+1。
本发明的有益效果是,本发明基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,利用莫罗包络对全变差范数进行平滑化处理,平滑后的全变差范数为可微凸函数,是原函数的可微紧下界,具有迭代形式的解析解,也是原函数的解,其梯度很容易计算;由于求解的外部循环属于收缩算子(shrinkage operator),提出了加速策略,给出了加速版的算法,大大提高了收敛速度。
附图说明
图1为1024×1024标准lena图像;
图2为图1添加密度为10%的脉冲噪声的lena图像;
图3为采用本发明方法对图2进行恢复的lena图像;
图4为图3的脸部放大图;
图5为1024×1024标准cameraman图像;
图6为图5加密度为10%的脉冲噪声的cameraman图像;
图7为采用本发明方法对图6进行恢复的cameraman图像;
图8为图7的局部放大图;
图9为图1添加密度为20%的脉冲噪声的lena图像;
图10为采用本发明方法对图9进行恢复的lena图像;
图11为图10的脸部放大图;
图12为图1添加密度为30%的脉冲噪声的lena图像;
图13为采用本发明方法对图12进行恢复的lena图像;
图14为图13的脸部放大图;
图15为四种不同算法对添加不同密度脉冲噪声的1024×1024标准lena图像进行去噪处理的峰值信噪比;
图16为四种不同算法对添加不同密度脉冲噪声的1024×1024标准cameraman图像进行去噪处理的峰值信噪比。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,具体包括以下步骤:
步骤1,建立去除脉冲噪声的数学模型;
含脉冲噪声图像的数学模型为
b=x+w (1)
其中,矩阵x、w和b分别表示尺寸为n×n的无噪声图像、脉冲噪声和退化图像;
去除脉冲噪声的数学模型为
min||x||TV
s.t||x-b||0≤ε (2)
为便于表达,设r=n2,将x看成向量,R为n×n的一阶差分Toeplitz方阵即
令 In×n为单位矩阵,表示矩阵的Kronecker积,易知||x||TV=Φ(Cx),因此最小化||x||TV就是降低噪声的影响;
由于||x-b||0失去了幅度特征,难以求导,公式(2)无法求解,又因l1-范数对l0-范数具有良好的近似特性,故选择l1-范数作为保真项,公式(2)转化为:
minΦ(Cx)
s.t||x-b||1≤ε (4)
正则化后可得
minF(x)=λ||x-b||1+Φ(Cx)
s.tx={xi,j,0≤xi,j≤1} (5);
步骤2,对步骤1建立的数学模型中的全变差范数的进行平滑化处理;
平滑化处理的具体步骤为:
定义任意凸函数f(x)的莫罗包络为
由凸分析知,任何凸函数的莫罗包络都是可微凸函数,且inf envαf(x)=f(x),即凸函数的莫罗包络是其本身的紧下界,因此同时,当α趋于0时,envαf(x)也趋于f(x);envαf(x)的梯度为▽envαf(x)=α-1[1-proxαf(x)],其中
为构造全变差范数的莫罗包络,需利用公式(5)的增广拉格朗日(augmented Lagrange)形式,即引入中间变量q,使公式(5)转化为
s.tx={xi,j,0≤xi,j≤1} (7)
将(7)式中替换为Φ(Cx)的莫罗包络,可得
minFenv(Cx,x)=λ||x-b||1+envαΦ(Cx)
s.tx={xi,j,0≤xi,j≤1} (8);
步骤3,对步骤2平滑化处理后的模型进行求解,得到去噪后的图像;
求解的具体算法流程为:
输入:含噪图像b,常数m、λ和α;
初始化:令x0=b;
迭代:
其中
输出:xk+1;
步骤4,对步骤3模型求解算法进行收敛速度分析,确定拥有加速步骤的求解算法流程;
收敛速度分析如下:
每循环一次,内部循环l次proxαΦ(·),则总的收敛速度为O[l(1+s)/k]。其中k为的迭代次数,l为proxαΦ(·)的迭代次数,s为小于1的常数;
拥有加速步骤的求解算法流程为:
输入:含噪图像b,常数m、λ和α;
初始化:令y0=b;t0=1;
迭代:
输出:xk+1。
通过以下仿真数据和图像进一步说明本发明的优点。
1、仿真条件
仿真中采用1024×1024的标准lena图像和cameraman图像作为仿真对象。
2、仿真内容
仿真1,分别对1024×1024的标准lena和cameraman图像添加密度为10%的脉冲噪声,用本发明方法中拥有加速步骤的算法对其进行去噪处理,参见图1至图8。
仿真2,对1024×1024的标准lena图像添加密度为20%的脉冲噪声,用本发明方法中拥有加速步骤的算法对其进行去噪处理,参见图9至图11。
仿真3,对1024×1024的标准lena图像添加密度为30%的脉冲噪声,用本发明方法中拥有加速步骤的算法对其进行去噪处理,参见图12至图14。
仿真4,分别用本发明方法中拥有加速步骤的算法、非解耦形式的l1/TV方法、中值滤波法、均值滤波法对添加不同密度脉冲噪声的1024×1024标准lena图像进行去噪处理。处理结果参见图15。
仿真5,分别用本发明方法中拥有加速步骤的算法、非解耦形式的l1/TV方法、中值滤波法、均值滤波法对添加不同密度脉冲噪声的1024×1024标准cameraman图像进行去噪处理。处理结果参见图16。
3、仿真结果分析
根据仿真1,计算得修复后lena图像PSNR(峰值信噪比)达到36.21dB,修复图像与原图像几乎完全一致,脸部特征和头发及帽沿等细节和纹理保持得很好,整幅图像轮廓鲜明,噪声去除得非常干净,没有产生局部模糊现象。修复后的cameraman图像PSNR达到34.34dB,修复图像与原图像也几乎完全一致,脸部特征和相机及手套等细节保持得很好,噪声也去除得非常干净,没有产生局部模糊现象。
根据仿真2,计算得修复后图像的PSNR为34.56dB。从图10可以看出,修复效果依然很理想,图像的整体轮廓未受影响,纹理和细节得也到了很好的保持,修复图像与原图像几乎完全一致,没有噪声残留,几乎没有产生局部模糊现象。
根据仿真3,计算得修复后图像的PSNR为32.71dB。相比仿真1和2的结果,图13中出现了局部模糊现象,但并不是很明显,说明即使在高密度噪声环境下本发明方法也能够取得较好的恢复效果。产生局部模糊是因为当脉冲噪声密度较大时,其能量较大,此时最小化(5)式会迫使全变差范数值低于理想值,使原本不需平滑的区域被平滑以满足最小化(5)式。所以,局部模糊产生的区域为像素值梯度较大的区域,如边缘、纹理细节处。
根据仿真4和仿真5,由图15和16可以看出,四种方法中本发明方法拥有最高的峰值信噪比,并且随着脉冲噪声密度的增加,峰值信噪比的下降最为平缓,表现最为稳定。非解耦形式的l1/TV方法稍逊于本发明方法,峰值信噪比大约低0.5-1dB,下降速度也很平缓。中值滤波法很不稳定,当脉冲噪声密度较小时,其峰值信噪比与前两种方法差不多,甚至还略高一点,但随着噪声密度的增大,中值滤波法的峰值信噪比迅速下降,当噪声密度高于40%时,其性能甚至差于均值滤波法。
Claims (5)
1.基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,其特征在于,具体包括以下步骤:
步骤1,建立去除脉冲噪声的数学模型;
步骤2,对步骤1建立的数学模型中的全变差范数进行平滑化处理;
步骤3,对步骤2平滑化处理后的模型进行求解,得到去噪后的图像;
步骤4,对步骤3模型求解算法进行收敛速度分析,确定拥有加速步骤的求解算法流程。
2.根据权利要求1所述的基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,其特征在于,步骤1具体为:
含脉冲噪声图像的数学模型为
b=x+w (1)
其中,矩阵x、w和b分别表示尺寸为n×n的无噪声图像、脉冲噪声和退化图像;
去除脉冲噪声的数学模型为
min||x||TV
s.t||x-b||0≤ε (2)
为便于表达,设r=n2,将x看成向量,R为n×n的一阶差分Toeplitz方阵即
令 In×n为单位矩阵,表示矩阵的Kronecker积,易知||x||TV=Φ(Cx),因此最小化||x||TV就是降低噪声的影响;
由于||x-b||0失去了幅度特征,难以求导,公式(2)无法求解,又因l1-范数对l0-范数具有良好的近似特性,故选择l1-范数作为保真项,公式(2)转化为:
minΦ(Cx)
s.t||x-b||1≤ε (4)
正则化后可得
minF(x)=λ||x-b||1+Φ(Cx)
s.tx={xi,j,0≤xi,j≤1} (5)。
3.根据权利要求1所述的基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,其特征在于,步骤2中平滑化处理的具体步骤为:
定义任意凸函数f(x)的莫罗包络为
由凸分析知,任何凸函数的莫罗包络都是可微凸函数,且inf envαf(x)=f(x),即凸函数的莫罗包络是其本身的紧下界,因此同时,当α趋于0时,envαf(x)也趋于f(x);envαf(x)的梯度为▽envαf(x)=α-1[1-proxαf(x)],其中
为构造全变差范数的莫罗包络,需利用公式(5)的增广拉格朗日形式,即引入中间变量q,使公式(5)转化为
s.tx={xi,j,0≤xi,j≤1} (7)
将(7)式中替换为Φ(Cx)的莫罗包络,可得
minFenv(Cx,x)=λ||x-b||1+envαΦ(Cx)
s.tx={xi,j,0≤xi,j≤1} (8)。
4.根据权利要求1所述的基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,其特征在于,步骤3,求解的具体算法流程为:
输入:含噪图像b,常数m、λ和α;
初始化:令x0=b;
迭代:
其中
输出:xk+1。
5.根据权利要求1所述的基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法,其特征在于,步骤4,收敛速度分析如下:
每循环一次,内部循环l次proxαΦ(·),则总的收敛速度为O[l(1+s)/k]。其中k为的迭代次数,l为proxαΦ(·)的迭代次数,s为小于1的常数;
拥有加速步骤的求解算法流程为:
输入:含噪图像b,常数m、λ和α;
初始化:令y0=b;t0=1;
迭代:
输出:xk+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410322966.7A CN104123701B (zh) | 2014-07-08 | 2014-07-08 | 基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410322966.7A CN104123701B (zh) | 2014-07-08 | 2014-07-08 | 基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123701A true CN104123701A (zh) | 2014-10-29 |
CN104123701B CN104123701B (zh) | 2016-09-28 |
Family
ID=51769100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410322966.7A Expired - Fee Related CN104123701B (zh) | 2014-07-08 | 2014-07-08 | 基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123701B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683168A (zh) * | 2016-11-30 | 2017-05-17 | 北京航天自动控制研究所 | 一种极低照度条件下光子计数激光三维计算成像方法 |
CN110335201A (zh) * | 2019-03-27 | 2019-10-15 | 浙江工业大学 | 结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
CN102622735A (zh) * | 2012-04-18 | 2012-08-01 | 江苏技术师范学院 | 一种二次去噪的图像处理方法 |
CN102609925B (zh) * | 2012-04-18 | 2014-03-19 | 江苏理工学院 | 一种粒子群优化的均衡形态滤波图像去噪方法 |
CN103020911A (zh) * | 2012-12-12 | 2013-04-03 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于去除混合噪声的图像处理方法 |
-
2014
- 2014-07-08 CN CN201410322966.7A patent/CN104123701B/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683168A (zh) * | 2016-11-30 | 2017-05-17 | 北京航天自动控制研究所 | 一种极低照度条件下光子计数激光三维计算成像方法 |
CN110335201A (zh) * | 2019-03-27 | 2019-10-15 | 浙江工业大学 | 结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104123701B (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
CN107403415B (zh) | 基于全卷积神经网络的压缩深度图质量增强方法及装置 | |
WO2018214671A1 (zh) | 一种失真图像的去失真方法、装置及电子设备 | |
TWI509567B (zh) | 影像能見度修復的方法及其影像處理裝置 | |
Fang et al. | Single image dehazing and denoising: a fast variational approach | |
CN103347190B (zh) | 一种边相关的联合彩色去马赛克和放大方法 | |
KR101633397B1 (ko) | 영상 복원 장치, 영상 복원 방법 및 영상 복원 시스템 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN110390646B (zh) | 一种细节保持图像去噪方法 | |
CN104867111A (zh) | 一种基于分块模糊核集的非均匀视频盲去模糊方法 | |
WO2019001095A1 (zh) | 一种视频编码方法、解码方法、装置及电子设备 | |
CN105046658A (zh) | 一种低照度图像处理方法和装置 | |
CN105427262A (zh) | 基于双向增强扩散滤波的图像去噪方法 | |
CN111179189A (zh) | 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质 | |
CN106960417A (zh) | 一种基于图像显著结构的噪声模糊图像盲目反卷积方法 | |
CN107301662A (zh) | 深度图像的压缩恢复方法、装置、设备及存储介质 | |
CN109345609B (zh) | 基于卷积神经网络进行壁画图像去噪和线描画生成的方法 | |
Kumari et al. | Single image fog removal using gamma transformation and median filtering | |
CN104036481A (zh) | 一种基于深度信息提取的多聚焦图像融合方法 | |
CN104123701A (zh) | 基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法 | |
CN105049678A (zh) | 一种基于绕环自适应相机路径优化的视频防抖方法 | |
CN104376546A (zh) | 基于dm642的三路图像金字塔融合算法的实现方法 | |
CN103955893B (zh) | 基于可分离全变差模型的图像去噪方法 | |
Tang et al. | Image interpolation using autoregressive model and gauss-seidel optimization | |
CN111626943B (zh) | 基于一阶前向后向算法的全变分图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160928 Termination date: 20200708 |
|
CF01 | Termination of patent right due to non-payment of annual fee |