论文部分内容阅读
图像是人类进行信息交流的重要方式之一,由于受到各种因素的影响,图像中被引入了不同类型的噪声,导致图像质量的下降。图像降质不仅妨碍了用户接收有效的信息,也给后续图像处理增加了难度。因此,在图像处理前做好去噪工作十分重要。滤波是常用的去噪方法之一,根据图像降噪空间的不同,滤波方法分为两大类,第一类是以高斯滤波、中值滤波为代表的空间域滤波方法,另一类是以小波变换、傅里叶变换为代表的频率域滤波方法。使用滤波方法可以抑制图像中的噪声,但是由于模型内在的缺陷,可能会改变图像边缘部分中真正的像素点,降低了图像的边缘保持能力,影响图像去噪的效果。研究发现,偏微分方程去噪方法可以克服传统滤波去噪方法的缺点,不仅有效的滤除了噪声,而且保留了较多的图像边缘信息。全变分模型以图像的梯度信息作为正则项,通过极小化该梯度信息的模进行去噪处理,从其模型特点可知,它有着较强的边缘保护能力。使用传统的梯度下降法来计算全变分模型,其求解速度较慢,影响了计算效率。针对以上缺点,引入了Split Bregman快速迭代算法对全变分模型进行加速处理。由于该计算方法收敛速度十分快,不仅有效节约了时间成本,且其计算结果也较好。为了提高双边滤波的边界保护能力,提出了全变分引导的双边滤波去噪方法。由全变分模型处理后的结果包含了丰富的结构信息,该结果图像可以给双边滤波值域核函数的计算提供较多的有效引导信息,使得双边滤波能准确处理图像的边缘部分,从而保护了图像的边界特征。考虑对上述步骤进行迭代操作,随着引导图像质量的提高,所提算法得到较好的去噪效果。为了使引导滤波能在不同噪声水平情况下都能保持着良好的去噪性能,提出了各向异性全变分引导滤波的迭代去噪模型。因为各向异性全变分模型使用了图像梯度信息的一阶范数作为其正则项,可以保留原图像更多的边缘特征,给引导滤波提供了丰富的结构信息。实验分析表明,本算法突破了引导滤波限于低水平噪声的局限性,使其可以适用于处理更高噪声水平的情况。