[发明专利]基于自适应各向异性全变分正则化的图像复原方法

说明书

本发明提出一种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。

技术领域

本发明涉及图像处理的技术领域，特别是指一种基于自适应各向异性全变分正则化的图像复原方法，主要涉及图像的去噪，可用于医学图像中的疾病诊断和病灶检测分析。

背景技术

图像去噪是图像处理领域的基本任务之一，它的目标是降低或消除噪声退化，从而更清晰、更容易识别图像的特征。通常情况下，在图像获取和信号传输过程中，采集的图像往往不可避免地受到内部因素(如：成像设备、传感器温度)和外部因素(如：非均匀光照、工作环境)等的干扰，导致采集图像含有大量噪声，造成图像失真。含噪图像不仅妨碍人们的视觉感知，而且直接影响图像处理后续研究的高效进行(如：图像特征提取、医学图像分割、偏移场校正、指纹自动识别等)，因此，图像去噪的研究范围也越来越广泛，如：对医学领域中噪声图像复原利于后续疾病的诊断和病理特征的分析；航天遥感领域中失真图像的分析和复原等。

关于图像去噪问题，大多数现有的变分模型主要还是考虑各向同性，即和在x轴和y轴方向上给出相同的惩罚。事实上，由于一幅图像包含许多不同的特征，当观测到的图像被细节干扰时，这些方法就会缺少鲁棒性，无法得到高质量的复原结果。此外，现存的各向异性模型虽然在x轴和y轴方向上给出不同的惩罚，但非光滑凸模型始终选择对原始图像进行复原，所以在保持边界信息方面依然存在一定的局限。

发明内容

针对现有图像去噪方法很少关注图像的细节信息，未能有效地描述图像的局部结构特征，无法得到高质量复原结果的技术问题，本发明提出一种基于自适应各向异性全变分正则化的图像复原方法，考虑了细节信息对图像的干扰，将梯度算子和自适应加权矩阵T_u耦合到全变分范数中，提高图像的复原结果。

本发明的技术方案是这样实现的：

一种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。

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。

所述各向异性全变分正则化模型为：