沈炜恒,朱永贵
(中国传媒大学 理工学部,北京 100024)
随着数字图像的发展,人们在工作和生活中会大量接触数字图像。数字图像在生成、传输等环节中会受到多种因素的影响而产生噪声。例如,图像生成过程中自然环境的影响、设备环境的影响,图像传输记录过程,受到干扰也会产生大量噪声;另外,图像记录储存过程中发生的测量误差、计算误差也是造成图像中掺杂噪声的另一个原因。这些噪声会导致信息的丢失,从而降低了图像质量。
所以,如何从这些图像中“复原”出原始的图像就显得尤其重要。牛顿法是最基本的一种迭代生成的算法,它的特点是好理解、结构简单同时复原效果也可以满足基本要求,因而得到广泛应用。对于保留边界特征的去噪模型最有效的还是由Rudin-Osher和Fatemi(ROF)在[1]中提出的全变差模型,ROF复原模型可以适应许多实际问题中不适定问题的解。
下文中先介绍一种基本模型,然后介绍正则项的相关知识,以及对偶梯度法的相关知识,主要是介绍它适用的情景,最后介绍和分析用对偶梯度法来求解ROF模型达到图像去噪的方法。
最基本的线性反问题的模型格式如下:
Ax=b+w
其中A∈m×nb∈m都是已知的,w是未知的噪声(或者干扰)向量,是x“真实图像”同时也是需要被估计计算的未知图像,在图像去噪的问题中b代表观察图像即噪音图像,w代表噪音,在去噪问题中模糊算子A为I是即图像未被模糊处理模型转变为:
b=x-w
但是绝大部分复原问题都是病态问题,后引入正则项使问题适定即得到ROF模型但是在某种情况下,全变差模型存在以下几种缺陷。
1)阶梯化现象:去噪后地图像具有分块平滑地现象,即某一区域内地灰度值保持不变,呈现块状,或者在平滑区出现明显的边缘。阶梯效应会影响图像的整体效果,而且还会影响到图像的观测和研究。
2)对比度下降:全变差模型是通过最小化图像梯度的范数式来达到图像去噪的效果,因此,在有界区域内复原后图像的全变差值将会下降。
3)几何形状变形:在有些情况下,当采用ROF模型进行图像复原时,可能会导致水平集的几何形状发生形变。
4)纹理的丢失:尽管全变差正则化能有效去除噪声,但是,该方法会造成对比度下降和几何形变,不能保持图像的边缘信息,故而会造成纹理和细节的丢失。
我们考虑下面的模型:
minf(x)+g(Ax)
(P)
其中f(x):E→(-∞,+∞]是强凸函数并且强凸系数为σ>0
其中g(x):V→(-∞,+∞]是凸函数,其中矩阵A:E→V的线性算子
同样我们可以把P问题变成如下的P′问题
min{f(x)+g(z):Ax-z=0}
(P′)
引入变量变量y后P′问题可转变为:
L(x,z,y)=f(x)+g(z)-〈y,Ax-z〉=f(x)+g(z)-〈ATy,x〉+〈y,z〉
转变为其对偶问题:
其中ROF的离散定义如下
ROF模型的梯度化的结果如下:[6,7]
首先给出梯度定义:如果有一个函数u=u(x,y)在区域D上是有定义的,而且点P(x,y)∈D的。如果存在一个向量A(x,y),这个向量所指的方向是u(x,y)在这个点P处各个方向的方向导数取最大值的方向,它的模|Α(x,y)|等于此方向导数的最大值,则称该向量A(x,y)为函数u(x,y)在点P(x,y)处的梯度,记为gradu|P=A(x,y)。
HΤ(Hf-g)
易得
其中
由此可得全变差正则项的梯度为
至此满足拟牛顿法的模型转换完毕。
可以得到全变差的离散模型梯度为
近似梯度法:
对象:凸函数h
例子:*h(x)=0;proxh(x)=x
*h(x)=‖x‖1这时proxh(x)就是软阈值迭代算法
对象:minf(x)=g(x)+h(x)其中g是凸函数,可微函数,f是凸函数且有其对应的proxh算法
算法:xk+1=proxtk*h(xk-tk▽g(xk))
*其中tk≥0是步长
令x+=proxth(x-t▽g(x))
例子:*h(x)=0
最后给出算法
Step0.w1=y0V.t1=1
Stepk.(k≥0)Compute
vk=proxLg(Auk-Lwk)
应用对偶梯度法求解ROF模型实验结果如下:
实验1:采用对偶梯度方法处理,去噪效果对比如下图1所示。
(a)清晰原图像 (b)噪声图像 (c)去噪图像图1 ‘lena’去噪效果图
其中,图(b)为原图像(a)加上一个高斯模糊的图像,模糊参数为10,20;所选的正则化参数为0.05,迭代的次数为201.
实验2:采用对偶梯度方法处理,去噪效果对比如下图2所示。
(a)清晰原图像 (b)噪声图像 (c)去噪图像图2 ‘camera’去噪效果图
其中,图(b)为原图像(a)加上一个高斯模糊的图像,模糊参数为10,4,白噪声的方差为0.01;所选的正则化参数为0.05,迭代的次数为178。
由以上实验可见:此算法是可行的,对模糊和加噪图像有一定的复原效果。
本文建构了一个基于对偶梯度法的图像去噪模型。该模型在全变差正则化方法的框架下,利用图像的梯度信息构建正则化项,相比于其他的正则项全变差,该正则项采用非二次型来解除平滑性的约束,能够在恢复图像平滑区的同时,大量保留真实图像中的边缘和轮廓等细节信息,通过消除图像中梯度变化较大的区域,从而达到去噪的效果。该模型算法在matlab上进行数值仿真实验,结果显示:用对偶梯度法可以达到较好的去噪效果。