新颖的基于自适应各向异性全变分正则化的图像复原方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112017130A(43)申请公布日2020.12.01(21)申请号202010895280.2(22)申请日2020.08.31(71)申请人郑州财经学院地址450049河南省郑州市惠济区天河路36号(72)发明人何琳郭军成孟鸽田盼盼(74)专利代理机构郑州优盾知识产权代理有限公司41125代理人张真真(51)Int.Cl.G06T5/00(2006.01)G06T7/13(2017.01)权利要求书2页说明书8页附图5页(54)发明名称新颖的基于自适应各向异性全变分正则化的图像复原方法(57)摘要本发明提出一种新颖的基于自适应各向异性全变分正则化的图像复原方法，其步骤为：首先，利用图像设备获取原始图像，计算原始图像在x方向和y方向的梯度映射；其次，基于权重自适应理论对各向异性全变分正则化模型进行改进，得到新型非光滑非凸的去噪模型；最后，利用迭代重加权算法计算新型非光滑非凸的去噪模型近似解，并利用交替极小化算法对近似解模型进行求解，获得最终的复原图像。本发明采用迭代重加权算法求解非凸优化问题，避免了不同区域上收敛速度的不平衡问题，并且在消除阶梯效应的同时更好的保留图像重要几何结构；利用复原后的图像作为新一轮迭代的初始图像，使得复原图像的去噪效果更好，更接近于原始的清晰图像。CN112017130ACN112017130A权利要求书1/2页1.一种新颖的基于自适应各向异性全变分正则化的图像复原方法，其特征在于，其步骤如下：S1、计算获取的原始图像在x方向和y方向的梯度映射；S2、基于加权矩阵与梯度映射的耦合，构建各向异性全变分正则化模型；S3、基于权重自适应理论对各向异性全变分正则化模型进行改进，得到新型非光滑非凸的去噪模型；S4、利用迭代重加权算法求出新型非光滑非凸的去噪模型的近似解模型，并利用交替极小化算法将近似解模型转化为鞍点问题进行求解，获得最终的复原图像。2.根据权利要求1所述的新颖的基于自适应各向异性全变分正则化的图像复原方法，其特征在于，所述原始图像为：f(x,y)＝u(x,y)+η(x,y)，其中，f(x,y)是图像设备获取的原始图像在坐标位置(x,y)处的像素值，u(x,y)是复原图像在坐标位置(x,y)处的像素值，η(x,y)表示白噪声；把原始图像简写为：f＝u+η。3.根据权利要求1所述的新颖的基于自适应各向异性全变分正则化的图像复原方法，其特征在于，所述各向异性全变分正则化模型为：其中，λ表示正的正则化参数，u为复原图像，f为原始图像，表示复原图像u的梯度，||·||2表示l2范数，||·||2,1表示l1范数，加权矩阵t1表示边缘检测函数在x方向的权重，t2表示边缘检测函数在y方向的权重，κ表示正的参数，Gσ表示高斯卷积核，为原始图像在x方向的梯度映射，为原始图像在y方向的梯度映射。4.根据权利要求3所述的新颖的基于自适应各向异性全变分正则化的图像复原方法，其特征在于，所述新型非光滑非凸的去噪模型为：其中，加权矩阵是边缘检测函数，t1u表示边缘检测函数在x方向的权重，t2u表示边缘检测函数在y方向的权重，为复原图像在x方向的梯度映射，为复原图像在y方向的梯度映射。5.根据权利要求4所述的新颖的基于自适应各向异性全变分正则化的图像复原方法，其特征在于，所述利用迭代重加权算法求出新型非光滑非凸的去噪模型的近似解模型为：2CN112017130A权利要求书2/2页其中，是基于第k次迭代后的复原图像的边缘检测函数，uk+1表示k+1次输出的复原图像。6.根据权利要求5所述的新颖的基于自适应各向异性全变分正则化的图像复原方法，其特征在于，所述利用交替极小化算法将近似解模型转化为鞍点问题进行求解，获得最终的复原图像的方法为：S31、引入辅助变量和利用增广拉格朗日方法将近似解模型转化为鞍点模型：其中，α和β均表示拉格朗日乘子，基于迭代后已知的复原图像的边缘检测函数，表示已知的复原图像；S32、初值选取：根据正的正则化参数λ>0，初始化初始值u0,v0,α0,β0,S33、迭代：其中，wk表示变量w第k次迭代的结果，vk表示变量v第k次迭代的结果，wk+1表示关于变量k+1w的最优解，v表示关于变量v的最优解；γ1和γ2均表示惩罚参数，表示基于第k次迭代后的复原图像的边缘检测函数，表示第k次迭代后复原图像u的梯度，αk表示k次迭代的拉格朗日乘子，αk+1表示k+1次迭代的拉格朗日乘子，βk表示k次迭代的拉格朗日乘子，βk+1表示k+1次迭代的拉格朗日乘子，uk+1表示k+1次的复原图像，表示第k+1次迭代后复原图像u的梯度，表示经过k+1次迭代后的复原图像；S34、迭代次数k:＝k+1，判断迭代次数k是否达到500次或前后两次迭代的复原