用于脉冲噪声图像恢复的混合正则化器与非凸保真度模型
《Journal of Computational and Applied Mathematics》:Hybrid regularizers and a nonconvex fidelity model for impulse noise image restoration
【字体:
大
中
小
】
时间:2026年10月22日
来源:Journal of Computational and Applied Mathematics 2.4
编辑推荐:
摘要
为了获得高质量的恢复图像,本文提出了一种新颖的变分模型,用于恢复被不同模糊和脉冲噪声破坏的图像。所开发的新方案整合了结合分数阶全变分与核范数的混合正则化,以及一个非凸保真项。具体来说,该非凸保真项能够完美匹配数据点,并在检测和去除脉冲噪声方面发挥有效作用。引入具有互补关
摘要
为了获得高质量的恢复图像,本文提出了一种新颖的变分模型,用于恢复被不同模糊和脉冲噪声破坏的图像。所开发的新方案整合了结合分数阶全变分与核范数的混合正则化,以及一个非凸保真项。具体来说,该非凸保真项能够完美匹配数据点,并在检测和去除脉冲噪声方面发挥有效作用。引入具有互补关系的混合正则化器以消除阶梯伪影,同时在消除噪声的同时保护锐利边缘。为了优化目标函数,我们通过结合变量分裂技术和近端线性化最小化算法,设计了一种改进的交替方向乘子法。此外,我们建立了所提迭代算法的理论收敛性。最后,实验结果验证了与现有方法相比,本文所提方法在视觉质量和定量比较方面的优越性。
引言
图像恢复是图像处理与计算机视觉领域内一个基础且重要的问题。恢复同时受到脉冲噪声和模糊降质的图像已成为图像恢复领域的一个热门课题。脉冲噪声的产生有多种原因,包括电磁干扰、传感器故障和通信系统缺陷。通常,有两种典型的脉冲噪声类型:椒盐噪声和随机值噪声;前者将图像中像素的灰度值随机变为最大值或最小值,而后者则发生在一定的灰度范围内 [1]。
图像恢复是逆问题的一个典型例子。其目标是从观测到的降质图像中尽可能消除噪声和模糊,从而获得干净的原始图像。从数学上讲,图像降质过程可以用模型 $\eta=N_{imp}(KX)$ 表示,其中 $N_{imp}$ 表示由脉冲噪声引起的降质,$Y \in \mathbb{R}^{n_1 \times n_2}$ 是观测图像,$X$ 是我们旨在恢复的真实图像。此外,$K$ 是一个线性模糊算子。
为了去除脉冲噪声,学者们提出了许多可行的方法。其中一种古老的技术称为中值滤波,它在消除椒盐脉冲噪声方面很有效。不幸的是,这种技术在滤波后会导致边缘信息的丢失;因此,提出了一些其他用于保持边缘细节的方法。关于偏微分方程和变分方法,全变分(TV)正则化方法是经典方法之一;最初由 Rudin 等人 [2] 提出。这种方法能够在抑制噪声的同时保留图像边缘信息。然而,由于数据保真度是基于 $\ell_2$ 范数构建的,它对去除脉冲噪声并不有效。因此,文献 [3]、[4]、[5]、[6] 在数据保真项中采用了 $\ell_1$ 惩罚,并设计了一种改进的 TVL1 模型用于脉冲噪声去除。从数学角度看,该模型表示为:
$\min_X \|\nabla X\|_1 + \lambda \|KX - Y\|_1$
其中 $\|\nabla X\|_1$ 表示 TV 正则化,$\nabla$ 是一阶梯度算子;$\|\cdot\|_1$ 指 $\ell_1$ 范数。对于矩阵 $\vartheta \in \mathbb{R}^{n_1 \times n_2}$,$\ell_p$ 范数定义为 $\|\vartheta\|_p = (\sum_{i,j} |\vartheta_{i,j}|^p)^{1/p}$,其中 $i \in \{1, 2, \dots, n_1\}$,$j \in \{1, 2, \dots, n_2\}$。此外,$\lambda > 0$ 表示正则化参数,起平衡作用以防止过拟合。在数值计算中,已经开发了多种有效算法来优化模型 (2),如原始 - 对偶算法 [7]、[8] 和交替方向乘子法 [9]、[10]。尽管已证明基于 TV 的方案在保持边缘细节方面表现良好,但这些方法往往会导致阶梯伪影,从而导致图像失真。
因此,为了克服这一技术缺陷,学者们提出了几种改进的正则化模型。例如,高阶全变分(HOTV)[11]、[12]、[13] 和基于总广义变分(TGV)的方法 [14]、[15]、[16] 是两种成功的模型类型。具体来说,通过使用 HOTV 惩罚作为正则化器,所得模型表示为:
$\min_X \|\nabla^2 X\|_1 + \lambda \|KX - Y\|_1$
其中 $\nabla^2$ 表示二阶梯度算子。从上述文献来看,尽管基于高阶导数的 HOTV 和 TGV 模型在减少阶梯伪影方面有效,但它们过度平滑图像,往往导致意外的边缘模糊。
为了实现边缘细节保持与阶梯效应减少之间的平衡,一种改进的变分模型是分数阶全变分(FOTV)[17]、[18]、[19]、[20] 正则化策略。当应用于消除脉冲噪声时,FOTV 正则化模型的特征为:
$\min_X \|\nabla^\alpha X\|_1 + \lambda \|KX - Y\|_1$
其中 $\alpha > 0$,$\nabla^\alpha$ 代表分数阶梯度算子。此外,混合正则化方案是确保准确重建的另一种有效方法 [21]。最常见的方法是 TV 和 HOTV 的组合模型 [22]、[23],其性能优于具有单一正则化器的模型。此外,图像本质上是一个矩阵结构,它通常表现出固有的低秩特性。当图像被噪声和模糊污染时,其秩会增加。一般来说,直接最小化秩函数是 NP 难的。为了近似秩约束,采用核范数作为松弛,最小化核范数有效地表征了数据稀疏性。考虑到这些因素,文献 [24]、[25] 结合了 TV 和核范数惩罚,提出了用于图像恢复的改进混合正则化模型。相关工作报告的数值实验证明了这些方法的去噪性能。
然而,上述模型的数据保真项均基于 $\ell_1$ 范数。正如文献 [26]、[27] 所述,$\ell_1$ 惩罚是次优的,并且倾向于产生有偏统计估计。这表明 $\ell_1$ 范数保真策略在去除高水平脉冲噪声方面效果不佳。因此,为了更有效地去除脉冲噪声,最近研究了非凸数据保真模型 [26]、[27]、[28]、[29] 的一个成员。由于非凸数据拟合项具有完美匹配数据点的优势,这些模型即使在高密度情况下也能很好地去除脉冲噪声,从而得到更好的去噪图像。文献 [26] 讨论了一个代表性模型,它由 TV 正则化和一个非凸保真项组成。形式上,它具有以下表达式:
$\min_X \|\nabla X\|_1 + \lambda P(KX - Y)$
其中 $P(KX - Y) = \sum_{i,j} P(|(KX)_{i,j} - Y_{i,j}|)$,$P$ 是一个非凸势函数,可以选择为常用的对数函数、$\ell_p$ 范数($0 < p < 1$)惩罚、指数类型和 Geman 函数。从实验中可以看出,模型 (5) 可以有效地抑制脉冲噪声,然而,由于使用了 TV 正则化器,均匀区域中仍然存在明显的阶梯效应。
综上所述,我们可以得出结论,引入混合正则化器有助于实现准确重建,而非凸数据拟合项在消除脉冲噪声方面优于 $\ell_1$ 范数惩罚。这些因素促使我们建立一个统一的混合正则化器与非凸保真项相结合的改进图像恢复模型。详细的数学公式在下一节中给出。
本文的主要贡献如下。首先,通过整合混合正则化器和非凸数据保真,我们提出了一种新的图像去模糊(含脉冲噪声)优化模型。该方法包含了 FOTV 和核范数惩罚的良好特性,同时利用非凸保真项有效去除脉冲噪声。其次,我们设计了一种改进的交替方向乘子法用于数值计算,该方法基于近端线性化最小化算法和变量分裂技术。此外,我们还对所设计算法的收敛性进行了简要分析。最后,与几种现有模型相比,仿真结果表明了求解器在视觉和定量评估方面的有效性。
本文其余部分结构如下。第 2 节给出提出的模型,及其相关定义和理论性质。第 3 节展示了我们设计的算法框架的具体实现细节。第 4 节提出了我们探索的优化算法的收敛性。在第 5 节中,我们详细阐述了与其他去噪方法的实验比较,旨在消除椒盐噪声和随机值脉冲噪声。最后,我们在第 6 节中对整个工作进行了简要概述。
章节片段
提出的模型
在本文中,我们整合了 FOTV 和核范数正则化器来构建一个新颖的变分模型,其中数据保真度由适当的非凸惩罚项表征。更具体地说,我们提出的模型的数学公式可以表示为:
$\min_X \|\nabla^\alpha X\|_1 + \beta \|X\|_* + \lambda P(KX - Y)$
其中 $\beta > 0$ 是加权参数,$\|\cdot\|_*$ 表示核范数,其形式为 $\|X\|_* = \sum_\kappa \sigma_\kappa(X)$,其中 $\sigma_\kappa(X)$ 表示矩阵 $X$ 的第 $\kappa$ 个奇异值。注意 FOTV 用于
数值算法
我们提出的模型是非光滑的,并包含一个非凸数据保真项,因此直接求解是一个具有挑战性的问题。为了高效解决这一困难,我们采用了近端线性化最小化(PLM)技术 [31]。具体来说,通过采用一阶泰勒展开,对于任意 $w$,函数 $P$ 在 $|w_0|$ 处可以线性近似为:
$P(|w|) \approx P(|w_0|) + P'(|w_0|)(|w| - |w_0|)$ 对于 $|w| \approx |w_0|$,
如果 $|w_0| = 0$,我们定义 $P'(0) = \lim_{t \to 0^+} P'(t)$。基于这种方法,非凸数据
收敛性分析
根据前述分析,公式 (6) 中的目标函数是一个 KL 函数。此外,类似于定理 4.7 [26],我们推导出由 PLM 生成的序列 $\{X^k\}$ 是全局收敛的。
在本节中,我们的目标是展示算法 1 的收敛性。设 $\{(X^n, L^n, V^n, Z^n, \xi^n, \eta^n, \zeta^n)\}$ 是由提出的算法获得的序列;关于收敛性的主要定理如下。
定理 1 对于固定的 $\mu_1, \mu_2, \mu_3 > 0$ 和 $\delta \in (0, \frac{\sqrt{5}+1}{2})$,序列 $\{(X^n, L^n, V^n, Z^n, \xi^n$
数值实验
本节验证了我们在脉冲噪声下开发的图像恢复方法的有效性。这里,使用我们新开发的方法和四种相关的有效技术进行了几次数值实验,这些技术包括 TVL1 [5]、NonTV [26]、$\ell_0$OGSTV ([29],简称为 $\ell_0$OTV) 和 TVAWL2 ([36],专为彩色图像恢复设计) 方法。测试数据集包含四幅灰度图像:Boat、House、Man 和 Monarch,以及四幅彩色图像:Alina、Plane、Peppers,
结论
在这项工作中,我们开发了一个新的变分模型用于脉冲噪声图像恢复,该模型由混合正则化和非凸数据保真项组成。注意,通过整合分数阶全变分和核范数的优势,设计的混合正则化器旨在确保准确重建。为了解决优化问题,我们结合了近端线性化最小化算法,并提出了一种有效的交替最小化方法。此外,
CRediT 作者贡献声明
刘新武:方法论,软件,撰写——初稿,撰写——审查与编辑。
王奔:撰写——初稿,软件。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。
刘新武 | 王奔
广西民族大学数学科学学院,中国南宁,530006
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号