APP下载

结合等照度线信息的图像去噪变分模型

2018-11-22杨平先陈明举

关键词:方向信息模型

吴 洋, 杨平先, 陈明举

(四川理工学院自动化与信息工程学院, 四川 自贡 643000)

引 言

图像去噪就是将受噪声污染的图像恢复成原始无噪声干扰的图像。图像去噪实际上是一个不可逆的病态过程,图像在去除噪声过程中,其重要信息(如边缘和轮廓)不可避免地产生模糊,这就使得保持图像特征与去噪相互矛盾。在过去的20多年里,变分法和偏微分方程方法在消除噪声和保护边缘之间的平衡中已经被证明是非常成功的。“尺度空间”的概念最早是由Iijima提出的,并在80年代由Witkin[1]、Koenderink[2]和Hummel[3]等首先指出该多尺度描述从理论上可视作各向同性的线性偏微分方程。线性偏微分方程是对整个图像进行均匀滤波,这等价于一个带有高斯内核的平滑过程。然而,这个过程被发现是有问题的,因为在线性扩散的几次迭代之后,所有边缘特征都被抹去了。为了弥补在线性空间理论中遇到的困难,Perona和Malik于1990年提出了非线性各向异性扩散方程(PM模型)[4]来解决这个问题。PM模型是利用梯度算子来辨别由噪声引起的图像梯度变化和由边缘引起的图像梯度变化,然后用邻域加权平均去除由噪声引起的小梯度变化,同时保留由边缘引起的大梯度变化从而消除噪声。但该模型不能有效区分噪声和边缘,并且在图像平滑区域会过度扩散,导致去噪后图像出现分片灰度常数区域,即“块效应”现象。随后,一些学者提出了一些改进算法[5-9],如基于差分特征值的自适应PM模型[5]、基于PM模型的改进SART图像重建算法[6]、以及基于各向异性扩散驱动处理的鲁棒性边缘检测算法[7]等。……

登录APP查看全文

猜你喜欢

方向信息模型
一半模型
2022年组稿方向
2021年组稿方向
2021年组稿方向
重尾非线性自回归模型自加权M-估计的渐近分布
订阅信息
3D打印中的模型分割与打包
位置与方向
展会信息
健康信息