基于加權(quán)范數(shù)迭代算法的總變差正則化圖像復(fù)原方法.pdf_第1頁(yè)
已閱讀1頁(yè),還剩51頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、數(shù)字圖像復(fù)原過(guò)程是一個(gè)反卷積問(wèn)題,由于觀測(cè)圖像無(wú)可避免的受到噪聲的影響,圖像復(fù)原的過(guò)程無(wú)論是理論分析或是數(shù)值計(jì)算都有一定的困難.圖像復(fù)原最基本的任務(wù)是在去除由降質(zhì)系統(tǒng)引入的噪聲的同時(shí),不丟失原始數(shù)據(jù)的細(xì)節(jié)信息,然而抑制噪聲和保持細(xì)節(jié)往往是一對(duì)矛盾,也是圖像復(fù)原中至今尚未很好解決的一個(gè)問(wèn)題。總變差正則化方法正是在這種背景下提出并發(fā)展起來(lái)的。
   本文在經(jīng)典的Tikhonov正則化方法求解反問(wèn)題的理論框架下,將傳統(tǒng)的總變差正則化方

2、法中的范數(shù)進(jìn)行推廣,提出了廣義總變差正則化模型,并根據(jù)加權(quán)迭代最小二乘方法的基本思想,通過(guò)加權(quán)矩陣將一般的lP范數(shù)轉(zhuǎn)化為l2范數(shù),從而應(yīng)用標(biāo)準(zhǔn)的二次優(yōu)化方法進(jìn)行迭代求解,這就是本文重點(diǎn)介紹的算法一加權(quán)范數(shù)迭代算法.從數(shù)值仿真試驗(yàn)中對(duì)降質(zhì)圖像的復(fù)原效果來(lái)看,與經(jīng)典復(fù)原算法相比,加權(quán)范數(shù)迭代算法在計(jì)算時(shí)間和復(fù)原質(zhì)量上都具有顯著優(yōu)勢(shì)。
   本文的研究思路和主要工作概述如下:首先介紹數(shù)字圖像復(fù)原的一般理論,然后在總變差正則化圖像復(fù)原的

3、ROF模型基礎(chǔ)之上,將其范數(shù)推廣后,提出了通用的廣義總變差正則化模型,并介紹了求解該模型的加權(quán)范數(shù)迭代算法,同時(shí)也簡(jiǎn)要討論了該算法的收斂性。
   數(shù)值仿真試驗(yàn)主要針對(duì)l1范數(shù)和l2范數(shù)兩種典型情形下的總變差正則化模型進(jìn)行了算法驗(yàn)證和分析,主要結(jié)論有:與l2范數(shù)相比,l1范數(shù)下的總變差正則化求解模型復(fù)原效果較好,但計(jì)算時(shí)間較多;較小的噪聲水平下對(duì)應(yīng)的正則化參數(shù)的選取也相對(duì)較小;總變差正則化模型對(duì)椒鹽噪聲復(fù)原效果較好,正是其本身的

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論