基于L0范數(shù)和核回歸模型的圖像去噪方法研究.pdf

1、在計(jì)算機(jī)技術(shù)迅速發(fā)展的今天，數(shù)字圖像是人們傳遞信息的重要載體。然而，圖像在獲取或傳播的過程中，由于這樣那樣的原因，總會(huì)不可避免的受到噪聲的干擾。這些噪聲給圖像的傳播以及后續(xù)圖像的分析帶來很大的影響。因此，在圖像處理和計(jì)算機(jī)視覺領(lǐng)域中，圖像去噪是對(duì)圖像最基礎(chǔ)也是最關(guān)鍵的處理。
　　L0梯度最小化模型（L0gradient minimization,LGM）作為一個(gè)最基本的數(shù)學(xué)工具已經(jīng)成功的被用在了圖像平滑領(lǐng)域。該模型最大的優(yōu)勢就是在

2、處理圖像的同時(shí)能夠很好的保護(hù)圖像的顯著邊緣。作為總變差模型（total variation,TV）的改進(jìn)版本，LGM模型對(duì)于處理具有分片常數(shù)特征的圖像顯示出了極大的優(yōu)勢，但是，該模型處理得到的結(jié)果圖中卻存在著比總變差模型更嚴(yán)重的階梯效應(yīng)并且不能夠很好地保護(hù)圖像的紋理和細(xì)節(jié)特征。
　　近二十年來，一種基于最小二乘法的非參數(shù)數(shù)據(jù)擬合方法在圖像去噪領(lǐng)域得到了廣泛地應(yīng)用和發(fā)展。其中最具代表性的是核回歸模型，該模型在處理圖像的同時(shí)能夠很好的

3、保護(hù)圖像的紋理特征并且其處理得到的結(jié)果圖具有良好的視覺效果。然而，該方法處理得到的結(jié)果不僅容易產(chǎn)生流式效應(yīng)而且圖像的邊緣常常因過分平滑而模糊。
　　顯然，以上兩種模型優(yōu)缺點(diǎn)互補(bǔ)，因此，本文將兩者結(jié)合提出了兩種新的圖像去噪方法。二者的結(jié)合相得益彰，提出的模型成功地削弱了 L0梯度最小化模型的階梯效應(yīng)和核回歸方法流式效應(yīng)。
　　首先，本論文提出在L0梯度最小化模型基礎(chǔ)上引入一個(gè)新的保真項(xiàng)——核回歸模型（L0gradient mi