在图像采集和传输的过程中,所有录音设备特征使他们容易受到噪音。噪声图像的质量恶化并导致困难的图像观察,特征提取和图像分析。为了有效地减少噪音,一些过滤器如均值滤波和高斯滤波器应用于嘈杂的图像。它是有限的,过滤器可以失去大边缘和纹理信息的图像去噪的过程。为了避免这个问题,许多研究人员一直在研究不同的去噪方法。Weickert提出了偏微分方程(PDE)的方法可以有效地去除噪声( 1]。陈和Esedoglu总变分法提出了一种基于L1范数;它产生阶梯效应在平滑区域 2]。Bo和李对称四个订单使用PDE方法实现可接受的去噪结果( 3]。徐和外地意味着引入正则化获得去噪版本;这种方法oversmoothed图像边缘和细节 4]。Kumar Gupta和提出了一个广义全变差去噪模型,它可以消除虚假的边缘,但是它是敏感的选择 P 因素( 5]。刘和曾提出了一个地图图像自适应正则化去噪方法来得到一个好的视觉效果( 6]。这些方法可以在一定程度上提高图像去噪质量但摧毁高频信息的图像不可避免的。近年来,刘黄和提出了一种新的非局部全变差正则化图像去噪算法( 7]。陈等人提出了一种自适应去噪模型通过调节正规化和富达全变差 8]。Suman使用自适应中值滤波在图像去噪和得到好的结果 9]。燕和陆添加最小二乘富达在广义全变差正则化图像去噪的 10]。Anilet Hati结合曲波变换和维纳滤波器能够有效地减少图像噪声( 11]。刘等人讨论了许多方法在图像融合和图像去噪,这都是有用和受欢迎的 12]。上述实现可接受的图像去噪方法去噪效果,但选择一个合适的正则化因子和合理的迭代中仍然是一个问题。出于这个原因,本研究的目的是检查有效的和可靠的图像去噪算法。本文提出一种基于局部自适应正则化图像去噪方法,根据不同的区域去噪进行自适应调节噪声图像和更好地保护图像的纹理和细节,从而达到最先进的去噪效果。

本文的其余部分组织如下。引入正则化(尤其是全变差正则化)中所描述的部分 2。此外,部分 3该方法的主要思想细节。和实验结果给出部分 4。最后,总结和前景进行了讨论 5,也就是本文的结论。

在信号处理、总变分去噪非常有效的同时保持边缘同时平滑掉噪声在平坦地区,即使在低信噪比。它是基于信号的原则与过度的甚至虚假的细节有很高的全变差(电视);即信号的绝对梯度的积分很高。根据这一原则,减少总波动的信号受其非常接近原始信号去除不必要的细节,同时保留边缘等重要细节。全变差的概念是由鲁丁et al。 13]。在图像处理领域,假设 f 是原始图像, f 0 的嘈杂的版本吗 f 在数学上,这种关系可以表达的 (1) f 0 x , y = f x , y + n x , y 。

在这里 n ( x , y ) 随机噪声是零均值和 σ 2 变异。同时,我们可以,例如,定义总变异 V ( x , y ) = ∑ n f n + 1 ( x , y ) - - - - - - f n ( x , y ) ;电视去噪的目标是找到一个近似,这是小但接近。也就是说,电视去噪是一个最小化的过程;它探讨了相同状态的能量函数相对于电视规范 f 的正则化 f 0 表示,在 (2) E 电视 = ∫ Ω ∇ f + 1 2 λ f - - - - - - f 0 2 d x d y 。

在这里 Ω 代表图像的领域,所有像素 ( x , y ) ∈ Ω 。通常的电视理想图像小于噪声图像,所以尽量减少电视可以减少图像的噪声。基于这一原则,( 2)可以等于如下: (3) λ 2 ∫ Ω f - - - - - - f 0 2 d x d y + ∫ Ω f x 2 + f y 2 d x d y = 0 。

第一项( 3保真项)的数据,保留原始图像的特征,减少失真。第二项( 3)是正则化项,这取决于噪声级和平衡去噪和平滑。欧拉方程导数( 3)是由 (4) λ f - - - - - - f 0 - - - - - - ∇ · ∇ f ∇ f = 0 。

在这里 1 / ∇ f 是一个扩散系数。在图像边缘,大 ∇ f 将导致扩散系数小,所以沿着边缘扩散是弱保护图像边缘。在图像平滑区域,小 ∇ f 将导致较大的扩散系数,因此扩散在强去除噪声在图像平滑区域。正则化参数 λ 在去噪过程中扮演一个关键的角色。当 λ = 0 ,没有去噪,结果是相同的输入信号。作为 λ → ∞ 然而,总变异词扮演越来越重要的角色,这迫使结果有较小的总变差,牺牲的不像输入信号(噪声)。因此,正则化参数的选择是至关重要的实现适量的噪声去除。

指的是古典电视模型中描述的部分 2,它可以减少噪音的能量约束,但是,选择一个合适的正则化因子也是一个困难的问题。高 λ 带来oversmoothing和小 λ 减少噪声无效的。为了处理脉冲噪声图像,一个合适的正则化因子 λ 必须获得减少不同噪声图像,旨在平衡数据保真项和正则化项。对于这些讨论,一种新颖的图像去噪方法提出了基于局部自适应正则化。根据噪声在不同的图像区域,它定义了一个空间变量的能量函数,可以自适应地调整去噪程度。为了清楚复杂的想法,主要步骤描述如下。

在本节中,我们通过仿真验证该方法的潜在的嘈杂的图像实验和实际嘈杂的图像的实验。这里的比较我们提供由经典电视去噪,去噪结果双边滤波,去噪方法在 4]。

广泛使用的基于全球能源约束的去噪算法可以获得良好的去噪效果的简单结构图像。但这些方法可以很容易地去除噪声时失去关键的详细信息。由于这些原因,基于局部自适应正则化的图像去噪方法在这篇文章中,提出了可以有效地控制噪声图像的去噪程度不同的地区限制剩余能量函数的局部能量,和先进的去噪结果可以通过这种方式获得。在这种方法中,图像的详细信息也可以在去噪的过程中保存完好。实验模拟和实际的噪声图像,证明所提出的去噪方法是有效的和鲁棒性。然而,仍然有一些缺点在这种方法中,如时间复杂度。这些实验都是手术4 m电脑和Matlab平台。对于一个 800年 ∗ 600年 形象,消费时间是25秒。这意味着该方法的时间复杂度高,虽然视觉效果比其他方法。因此,我们将专注于该方法的时间复杂度的提高,然后激发进一步的研究在这方面的新见解。