基于改进的时间分数阶耦合偏微分方程组与 H-1 分解的图像去噪增强
《Journal of Computational and Applied Mathematics》:Enhanced image denoising via an improved time-fractional coupled PDE system with H?1 decomposition
【字体:
大
中
小
】
时间:2026年09月26日
来源:Journal of Computational and Applied Mathematics 2.4
编辑推荐:
摘要
本文提出了一种专为图像分解与去噪而设计的新数学模型。该方法依赖于一种非变分非线性演化系统,该系统将时间分数阶导数与Weickert型非线性各向异性扩散张量相结合。我们进一步引入了基于H?1范数的分解策略,以更好地将结构成分与噪声分离。首先,我们严格分析了模型的理论基础
摘要
本文提出了一种专为图像分解与去噪而设计的新数学模型。该方法依赖于一种非变分非线性演化系统,该系统将时间分数阶导数与Weickert型非线性各向异性扩散张量相结合。我们进一步引入了基于H?1范数的分解策略,以更好地将结构成分与噪声分离。首先,我们严格分析了模型的理论基础,应用Schauder不动点定理在适当的泛函框架内建立了解的存在性。然后,我们提出了一个有限差分离散化方案,并与文献中几种最先进的模型进行了详细的数值比较,特别关注在不同噪声水平和图像类型下的去噪性能。
引言
图像去噪仍然是图像处理领域中的一个重大挑战,尤其是在面对各种导致图像退化的因素时,例如传感器噪声和大气噪声。鉴于其在天文和医学成像以及视频编码等领域中的广泛应用,图像恢复成为数学和计算机视觉领域一个颇具前景的研究领域。本质上,图像去噪的基本目标是从含噪或模糊的图像中重建出干净图像,同时保护边缘、精细特征和微小尺度纹理等关键细节。简而言之,该任务可以被描述为恢复受噪声损害的图片,重点在于保留原始图像的关键元素。
从数学上讲,图像去噪可以由以下方程来描述:f = u + η,其中f是定义在Ω上的观测含噪图像函数,Ω??2是一个开且有界的区域,η表示噪声分量,u是干净图像。由于模型(1)是一个不适定问题,人们采用各种算法和方法,通过做出合理的假设和约束来获得去噪图像。
在过去十年中,该模型一直是众多数学研究的主题,研究者们采用不同的方法来解决去噪任务,如随机方法[1]、[2]、[3],基于补丁的技术[4]、[5],基于小波的技术[6]、[7],以及其他方法,见[8]、[9]、[10]。相比之下,变分方法催生了基于偏微分方程(PDE)的去噪模型,这些模型可分为两类,即变分PDE模型和非变分PDE模型。最初研究去噪任务(1)的著名模型是ROF(L. Rudin、S. Osher和E. Fatemi)模型[11],该模型由以下能量方程支配:min_u J(u) = λ∥u - f∥2_{L2(Ω)} + TV(u),其中λ > 0是确保两项之间平衡的正权重参数,TV(u) = ∫_Ω |?u|。泛函J(u)的关联演化方程由以下方程给出:?u/?t = div(?u/|?u|) + 2λ(f - u),在Ω内;??u, n? = 0,在?Ω上,其中n是边界?Ω的外法向单位方向。由于基于TV的扩散在恢复过程中保持边缘的有效性,许多改进成为各种研究的主题(见[12]、[13])。虽然TV模型在图像去噪和边缘保护方面表现相当出色,但它也可能丢失微小特征,如纹理(见[14])。为了克服ROF模型的这一局限性,文献[15]的作者提出了一种新的最小化方法,通过引入一个较弱的范数,使其更适合捕捉纹理图像中的振荡模式和微小特征。在这一方向上,Osher等人[14]使用TV范数来描述图像的结构,但他们用H?1范数替代了L2范数来处理噪声,而H?1范数比L2范数更弱,他们的方法可以更好地去除噪声并消除阶梯效应,同时保持图像边缘。在这一方法中,能量泛函具有如下形式:min E_{H?1}(u) = λ∥u - f∥2_{H?1(Ω)} + ∫_Ω |?u|。半范数∥·∥2_{H?1(Ω)}定义为∥·∥2_{H?1(Ω)} = ∫_Ω |?Δ?1(·)|2 dx,其中逆拉普拉斯算子Δ?1按以下含义理解:如果(u - f) ∈ L2(Ω)且∫_Ω (u - f) dx = 0,则根据经典结果[14],我们有:-ΔP = u - f,在Ω内;??P, n? = 0,在?Ω上,该方程存在唯一解P ∈ H1(Ω),且∫_Ω P dx = 0,因此我们定义P := Δ?1(u - f),更多细节见[16],泛函(4)自然地导致了以下演化方程:?u/?t = Δ(div(?u/|?u|)) + 2λ(f - u),在Ω内;??u, n? = 0,在?Ω上。为了克服这一挑战,正如[16]中所描述的,该模型将图像分为两部分。原始图像的卡通信息用u表示,它表示原始图像f的光滑版本。此外,分量v := f - u表示纹理或噪声信息。泛函能量(4)的Euler-Lagrange方程具有如下形式:Δ?1(u - f) = (1/2λ) div(?u/|?u|)。为了解决(7)中四阶难度的问题,作者将其重新表述为以下方程组:div(?u/|?u|) - 2λv = 0,在Ω内;Δv - (f - u) = 0,在Ω内;??u, n? = ??v, n? = 0,在?Ω × (0, T)上,因此,与方程(8)关联的演化方程为:?u/?t = div(?u/|?u|) - 2λv,在Ω × (0, T)内;?v/?t = Δv - (f - u),在Ω × (0, T)内;??u, n? = ??v, n? = 0,在?Ω × (0, T)上;u(0, x) = f,在Ω内;v(0, x) = 0,在Ω内。
近年来,有大量综合性研究[17]、[18]专注于利用类似分解策略的去噪模型。这些研究旨在解决Osher等人[14]最初提出的模型的固有局限性。令人鼓舞的是,这些研究的成果在克服上述模型弱点方面展现了令人振奋的进步。最近,分数阶微积分的显著发展及其多种应用为解释现实世界现象提供了一种强有力的方式[19],包括图像处理。分数阶导数的利用已被整合到各种研究的图像去噪方法中[20]、[21]、[22]、[23]、[24]、[25]、[26]。具体而言,在[20]、[21]中,空间分数阶导数被用于解决各向异性扩散方程问题。该方法与基于包含图像强度空间分数阶导数的能量泛函的Euler-Lagrange方程密切相关,从而推广了常用的偏微分方程(PDE)模型。Chen等人[22]探索了分数阶全变差TV-L2图像去噪模型,与Perona-Malik模型[27]和ROF模型[11]相比,获得了更好的去噪效果。在[23]中,提出了一种图像去噪问题的离散优化框架,将空间分数阶导数用于正则化项的建模。另一方面,时间分数阶扩散方程被用于图像去噪。在[24]中,作者提出了利用著名的Caputo时间分数阶导数的热方程时间分数阶版本用于图像去噪。此外,在[25]中,作者建议使用Volterra方程进行图像去噪,采用逐像素方法和分数阶时间积分。他们的模型通过使用粘性参数替代非线性性来有效管理平滑化,突显了分数阶项的有效性。关于分数阶PDE在图像去噪中的更多应用,我们参考读者参阅文献[28]及其中的参考文献。本工作极大地推进了基于图像分解的去噪方法的进展。我们试图将图像分解扩展到反应-扩散系统的一个更广泛的类别中,通过使用时间分数阶导数替代标准导数。更精确地说,我们提出了一种应用于图像去噪和分解的新反应-扩散系统,该系统结合了Perona-Malik过程在径向区域中的优势与Weickert滤波器在锐利边缘附近的鲁棒性。该模型使用Caputo分数阶时间导数(阶为γ ∈ (0, 1))构建了更鲁棒的时间导数算子。在扩散方程中包含时间分数阶项有可能增强锐利边缘处的扩散抑制,因此,与标准时间导数相比,可能促进噪声抑制。这一论断源于分数阶导数的固有性质,即其包含记忆效应,使得扩散行为更加微妙,能够适应局部图像特征。相比之下,传统时间导数缺乏这一记忆成分,可能导致锐利边缘过度平滑,从而丢失精细细节并降低噪声抑制效果。然而,改进程度和有效性取决于所考虑图像的具体属性和分数阶导数的参数选择。因此,虽然在耦合模型中整合时间分数阶项具有令人前景广阔的优势:H?1分解方法可以限制纹理上的过度平滑(由时间分数阶作用),同时保持平滑边缘处的扩散张量。
本文其余部分组织如下。第2节描述了所提模型背后的动机。第4节,我们通过对模型进行理论分析,给出主定理来确保在可接受的泛函空间中解的存在性和唯一性。第5节专门关注所提模型的离散化方面。最后,第6节展示数值结果,以说明所提方程在视觉质量和定量指标方面的去噪性能。
章节概述
所提模型描述
在本节中,我们通过修改方程(9)中的扩散项提出了一个非变分类型的去噪模型,以克服其缺点。所提方法结合了标准Perona-Malik过程在平滑区域中的优势[29]与Weickert滤波器在锐利边缘附近的优势。所提出的正则化技术已经证明了其在减轻阶梯效应和减少模糊的同时降低噪声的有效性,从而带来了更优的...
预备知识
在本节中,我们给出分数阶导数的一些基本定义和引理[32]。
定义1 设φ ∈ L1(0, T; X),X是一个Banach空间。φ的阶为γ ∈ (0, 1)的左Riemann-Liouville分数阶积分和右Riemann-Liouville分数阶导数分别定义为:
I^γ_{0,t} φ(t) := (1/Γ(γ)) ∫?? (t-s)^{γ-1} φ(s) ds,几乎处处 t ∈ [0, T]
R L D^γ_{t,T} φ(t) := -(1/Γ(1-γ)) (d/dt) ∫_t^T (t-s)^{-γ} φ(s) ds,几乎处处 t ∈ [0, T]
定义2 设AC(0, T; X)为所有绝对连续函数φ: (0, T) → X的空间。如果φ ∈ AC(0, T; X)且w: [0, T]...
存在性与唯一性
在本节中,我们给出问题(10)的变分格式以及解(u, v)的先验估计。事实上,问题(10)的变分格式陈述如下:
寻找(u, v) ∈ (L2(0, T; H1(Ω)))2以及(?u/?t, ?v/?t) ∈ (L2(0, T; H1(Ω)′))2,使得:
??^γ u/?t, φ?_{H1(Ω)′, H1(Ω)} + ∫_Ω D(J^ρ(?u^σ)) ?u ?φ + ∫_Ω αvφ = 0,
??^γ v/?t, ψ?_{H1(Ω)′, H1(Ω)} + ∫_Ω ?v ?ψ + ∫_Ω fψ - ∫_Ω uψ - ∫_Ω g(|?u^σ|) ?u ?ψ = 0,
对所有φ, ψ ∈ H1(Ω)成立。
以下引理给出了解的一些先验估计。
引理3 假设满足假设(H),则...
数值逼近
本节致力于所提模型的离散化部分,事实上,为了数值求解该模型,我们提出了一个隐式有限差分方案来数值求解该系统。
设k和h分别为有限差分法中时间和空间的网格尺寸,则我们将时间和空间离散化如下:
x_i = ih,i = 0, 1, 2, ..., N
y_j = jh,j = 0, 1, 2, ..., M
t_n = nk,n = 0, 1, 2, ...
其中N × M代表图像区域Ω的尺寸。设u?_{i,j}、v?_{i,j}和f_{i,j}分别表示近似值...
数值结果
在本节中,我们将我们的新型时间分数阶耦合模型与其他现有基于PDE的去噪方法进行比较,以评估其性能。为确保公平比较,所有方法均在相同机器和相同条件下进行评估,最佳方法的判定标准是获得最高的峰值信噪比(PSNR)值。我们的主要重点是突出我们模型的有效性,特别是在MRI图像去噪方面。所有实验均...
结论
本文介绍了一种基于耦合时间分数阶偏微分方程(PDE)的新型去噪模型。我们的方法采用了一种扩散张量,确保沿轮廓线和具有同质特征的区域具有一致的扩散特性。为了验证我们模型的数学严谨性,我们利用Schauder定理进行了彻底的分析。通过广泛的实验,我们证明了与现有方法相比我们模型的有效性...
作者贡献
作者对本工作的完成做出了同等贡献。
基金
不适用。
利益冲突声明
我声明,我没有已知的相互竞争的财务利益或个人关系可能影响本论文所报告的工作。
Abdelmajid El Hakoume | Amine Laghrib | Lekbir Afraites | Aissam Hadri
MCSDM ENSA Tétouan,Université Abdelmalek Essaadi,摩洛哥Tétouan