基于可变指数及L1保真项的图像去噪算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2931-2934.

基于可变指数及L1保真项的图像去噪算法

耿海,何小卫,樊骏笠

浙江师范大学数理与信息工程学院，浙江金华 321004

收稿日期:2013-04-26 修回日期:2013-06-17 出版日期:2013-10-01 发布日期:2013-11-01
通讯作者: 何小卫
作者简介:
耿海(1988-)，男，江苏南京人，硕士研究生，主要研究方向：图像处理、图像修复;何小卫(1968-)，男，浙江金华人，副教授,主要研究方向:图像处理、人工智能；樊骏笠(1990-)，男，浙江绍兴人，硕士研究生，主要研究方向：图像处理、图像修复。

Image denoising algorithm with variable exponent regularization and L1 fidelity

GENG Hai,HE Xiaowei,FAN Junli

College of Mathematics, Physics and Information Engineering, Zhejiang Normal University, Jinhua Zhejiang 321004, China

Received:2013-04-26 Revised:2013-06-17 Online:2013-11-01 Published:2013-10-01
Contact: HE Xiaowei

摘要/Abstract

摘要： 全变分(TV)模型采用了梯度的1范数作为正则化约束, 它能够沿着梯度方向较好地保护图像的边缘信息，但在图像较均匀区域，容易产生“阶梯”效应。利用梯度的可变指数函数作为正则化项，提出TV模型的改进模型, 该模型既保持TV模型保护图像边缘信息的优点，又可以明显地减少非边界区域“阶梯”效应的产生,同时把〖WTHX〗u-〖WTHX〗f的1范数作为数据保真项增强了模型修复图像破损部分的能力

关键词: 图像去噪, TV模型, 可变指数函数, 正则化, L1范数

Abstract: The L1 norm of gradient is used as the regularization term in the Total Variation (TV) model which can preserve the edges of the image well. However, it has the staircasing effect in the relatively smooth regions. Using the variable exponent function as the regularization term, the modified model can not only preserve the edges of image as well as the TV model but also decrease the staircasing effect obviously. Simultaneously, the L1 norm of 〖WTHX〗u-〖WTHX〗f was regarded as the fidelity term of the model, which can enhance the ability of image denoising.

Key words: image denoising, total variation(TV) model, variable exponent functional, regularization term, L1 norm

中图分类号:

TP391.41

耿海何小卫樊骏笠. 基于可变指数及L1保真项的图像去噪算法[J]. 计算机应用, 2013, 33(10): 2931-2934.

GENG Hai HE Xiaowei FAN Junli. Image denoising algorithm with variable exponent regularization and L1 fidelity[J]. Journal of Computer Applications, 2013, 33(10): 2931-2934.

[1]	林筠超, 万源. 基于图结构优化的自适应多度量非监督特征选择方法[J]. 计算机应用, 2021, 41(5): 1282-1289.
[2]	贺杰安, 吴晓红, 何小海, 胡建蓉, 卿粼波. 结合图像增强和卷积神经网络的小麦不完善粒识别[J]. 计算机应用, 2021, 41(3): 911-916.
[3]	汪志远, 降爱莲, 奥斯曼·穆罕默德. 基于正则互表示的无监督特征选择方法[J]. 计算机应用, 2020, 40(7): 1896-1900.
[4]	谢琪, 徐旭, 程耕国, 陈和平. 基于新的森林优化算法的特征选择算法[J]. 计算机应用, 2020, 40(5): 1266-1271.
[5]	耿源谦, 吴传生, 刘文. 混合非凸非光滑正则化约束的模糊图像盲复原[J]. 计算机应用, 2020, 40(4): 1171-1176.
[6]	曾梦, 宁彬, 蔡之华, 谷琼. 使用深度对抗子空间聚类实现高光谱波段选择[J]. 计算机应用, 2020, 40(2): 381-385.
[7]	任珍文, 吴明娜. 基于熵自加权联合正则化最近点的图像集分类算法[J]. 计算机应用, 2019, 39(9): 2547-2551.
[8]	张斌, 罗晓清, 张战成. 基于TV-L¹结构纹理分解的图像融合质量评价算法[J]. 计算机应用, 2019, 39(9): 2701-2706.
[9]	程俊华, 曾国辉, 鲁敦科, 黄勃. 基于Dropout的改进卷积神经网络模型平均方法[J]. 计算机应用, 2019, 39(6): 1601-1606.
[10]	陶永鹏, 景雨, 顼聪. 基于分组字典与变分模型的图像去噪算法[J]. 计算机应用, 2019, 39(2): 551-555.
[11]	冯明皓, 张天伦, 王林辉, 陈荣, 连少静. 改进的弹性网模型在深度神经网络中的应用[J]. 计算机应用, 2019, 39(10): 2809-2814.
[12]	李登刚, 陈香香, 李华丽, 王忠美. 基于超像素的流形正则化稀疏约束NMF混合像元分解算法[J]. 计算机应用, 2019, 39(10): 3100-3106.
[13]	张雯雯, 韩裕生. 基于非局部自相似性的低秩稀疏图像去噪[J]. 计算机应用, 2018, 38(9): 2696-2700.
[14]	文凯, 朱传亮. 融合社交网络和兴趣的正则化矩阵分解推荐模型[J]. 计算机应用, 2018, 38(9): 2523-2528.
[15]	代刚, 张鸿. 基于语义相关性与拓扑关系的跨媒体检索算法[J]. 计算机应用, 2018, 38(9): 2529-2534.