圖像去噪的各向異性擴散模型研究.pdf

1、隨著計算機科學(xué)的快速發(fā)展,人們對數(shù)字圖像處理的需求也日趨擴大,常見的圖像去噪算法包括各種自適應(yīng)中值濾波算法、小波閾值算法、基于偏微分方程方法、總變分最小化算法、非局部均值濾波算法,等等。圖像去噪是圖像處理的預(yù)處理過程,是圖像處理的一個重要分支。偏微分方程方法是圖像去噪的一個熱門研究領(lǐng)域,受到國內(nèi)外學(xué)者的廣泛關(guān)注。在眾多方法中,各向異性擴散模型已成為一個廣受關(guān)注的偏微分方程圖像去噪方法。
　　熵在概率論、信息論、物理、圖像等領(lǐng)域都有

2、重要應(yīng)用,并且取得很多重要的研究成果。其中, Tsallis熵在圖像處理多個領(lǐng)域得到了廣泛的應(yīng)用,如圖像閾值分割,圖像匹配等。Tsallis熵是香農(nóng)熵的推廣,并具有如下性質(zhì):1)孤立的噪聲對局部Tsallis熵值影響很小。2)圖像細節(jié)處的局部Tsallis熵值較高。
　　本學(xué)位論文主要做了以下的研究:
　　各向異性擴散模型中,擴散系數(shù)決定模型擴散的程度,它是關(guān)于圖像梯度的函數(shù),在梯度大的地方,擴散系數(shù)小,在梯度較小的地方,擴

3、散系數(shù)大。因此,該模型能夠在平滑圖像的時候,保留圖像的邊緣。但是,該模型也存在一些不足,它只利用了圖像梯度信息,對于圖像紋理,弱細節(jié)不能很好地保持。針對這個問題,該文結(jié)合圖像 Tsallis熵值在圖像的平滑區(qū)域和邊緣處熵值有差異的性質(zhì),提出結(jié)合 Tsallis熵的各向異性擴散模型,新模型的擴散系數(shù)不僅依賴于圖像梯度,而且利用了圖像局部 Tsallis熵,實驗表明:新模型對于去噪后的圖片能較好的保留圖像的細節(jié)和弱邊緣,并且具有很好的去噪性