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 发布日期:2013-11-01 出版日期:2013-10-01
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]	丁宇伟, 石洪波, 李杰, 梁敏. 基于局部和全局特征解耦的图像去噪网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2571-2579.
[2]	侯瑞峰, 张鹏程, 张丽媛, 桂志国, 刘祎, 张浩文, 王书斌. 基于全变分正则项展开的迭代去噪网络[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 916-921.
[3]	巫婕, 钱雪忠, 宋威. 基于相似度聚类和正则化的个性化联邦学习[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3345-3353.
[4]	张帅华, 张淑芬, 周明川, 徐超, 陈学斌. 基于半监督联邦学习的恶意流量检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3487-3494.
[5]	王朋博, 单武扬, 李军, 田茂, 邹登, 范占锋. 抗高强度椒盐噪声的鲁棒拼接取证算法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3177-3184.
[6]	刘安阳, 赵怀慈, 蔡文龙, 许泽超, 解瑞灯. 基于主动判别机制的自适应生成对抗网络图像去模糊算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2288-2294.
[7]	蓝梦婕, 蔡剑平, 孙岚. 非独立同分布数据下的自正则化联邦学习优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2073-2081.
[8]	李文博, 刘波, 陶玲玲, 罗棻, 张航. L1正则化的深度谱聚类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3662-3667.
[9]	韩林凯, 姚江伟, 王坤峰. 保留梯度和轮廓的可见光与红外图像融合[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3574-3578.
[10]	胡紫琪, 谢凯, 文畅, 李美然, 贺建飚. 生成对抗网络下的低剂量CT图像增强[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 280-288.
[11]	靳华中, 张修洋, 叶志伟, 张闻其, 夏小鱼. 基于近似U型网络结构的图像去噪模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2571-2577.
[12]	杨悦, 王士同. 基于随机特征映射的四层多核学习方法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 16-25.
[13]	范莉莉, 卢桂馥, 唐肝翌, 杨丹. 基于Hessian正则化和非负约束的低秩表示子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 115-122.
[14]	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.
[15]	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.