基于TGV正則化圖像泊松去噪研究.pdf

1、在人類科技不斷發(fā)展的進(jìn)程中，數(shù)字圖像處理技術(shù)已廣泛運(yùn)用于人們的日常生活，并且被人們大量的運(yùn)用在生物醫(yī)學(xué)、航空航天以及目標(biāo)識(shí)別和追蹤等多個(gè)領(lǐng)域。然而，當(dāng)采集圖像時(shí)，通常會(huì)因?yàn)橥獠繅木?，科學(xué)技術(shù)等因素的局限性，導(dǎo)致獲得的圖像退化，而如何快速，高效的從低質(zhì)圖像中恢復(fù)原圖像，在日常生活中則是一個(gè)難點(diǎn)問(wèn)題。
　　為了有效處理泊松噪聲圖像的復(fù)原問(wèn)題，幾種正則化方法已被提出，其中最著名的是全變差模型。雖然，在利用全變差模型處理泊松噪聲時(shí)，圖像的

2、邊緣細(xì)節(jié)信息可以得到較好的處理，但與此同時(shí)也會(huì)引起階梯效應(yīng)。眾所周知，總廣義變差作為正則項(xiàng)可以有效消除階梯效應(yīng)，但是由于高階導(dǎo)數(shù)項(xiàng)的存在，在圖像復(fù)原過(guò)程中圖像的邊緣細(xì)節(jié)信息并不能很好地保持。為了能在圖像復(fù)原過(guò)程中，既可以有效消除階梯效應(yīng)，又能使圖像細(xì)節(jié)信息不被丟失，本篇文章主要從以下兩個(gè)方面入手。
　　其一，在以二階廣義全變差作為正則項(xiàng)的同時(shí)，再考慮加Shearlet變換作為正則項(xiàng)。Shearlet變換在圖像恢復(fù)中可以很好的保持圖

3、像的細(xì)節(jié)信息。因此，基于這個(gè)想法本文重建了一種新的正則化泊松去噪模型。
　　其二，考慮到二階TGV正則項(xiàng)只有高階導(dǎo)數(shù)項(xiàng)，在圖像復(fù)原過(guò)程中不能有效保持圖像細(xì)節(jié)信息，所以考慮加一項(xiàng)全范數(shù)作為正則項(xiàng)來(lái)處理泊松噪聲圖像。基于這個(gè)想法，本文把二階TGV和全范數(shù)相結(jié)合提出一種新的圖像復(fù)原模型。而在模型的求解中，我們運(yùn)用分裂Bregman迭代算法進(jìn)行求解。
　　上述新提出的兩個(gè)模型其數(shù)值實(shí)驗(yàn)結(jié)果無(wú)論從視覺上，還是數(shù)值結(jié)果上都有效的展示了新