基于先验驱动深度神经网络的泊松去噪变分模型

泊松去噪是一个典型的病态逆问题,其变分模型需要反复迭代和调节参数且计算效率低下,而纯深度学习模型往往依据经验设计网络且可解释性差。针对以上问题,在泊松噪声去噪变分模型的交替方向乘子法展开的基础上,设计端到端深度卷积神经网络,结合泊松噪声分布统计量与Bayesian最大后验概率估计推导出改进的泊松去噪变分模型。为了求解泊松去噪能量函数极值问题,采用交替方向乘子法,引入辅助变量、拉格朗日乘子和惩罚参数,将该问题分解为高斯去噪和图像重建两类交替优化子问题,先采用先验驱动的深度卷积神经网络实现高斯去噪,再通过解析迭代求解完成图像重建。实验结果表明,与基于非线性主成分分析、VST+BM3D、I+VST+BM3D和TRDPD的泊松去噪模型相比,改进模型在Set12数据集上的峰值信噪比均值分别提高2.73、0.87、0.57和0.50 dB,结构相似性均值分别提高0.148、0.046、0.020和0.047,在彩色图像及正电子发射断层扫描与计算机断层扫描图像上也明显提升了泊松去噪效果。上述实验结果证明了改进模型不仅有效去除了泊松噪声,而且避免了泊松去噪过程中产生的伪影和散斑等问题。

欧拉弹性正则化的图像泊松去噪

利用泊松噪声分布与图像灰度值相关这一特性,结合图像的水平集曲线对图像灰度值的刻画能力,在Bayesian-MAP框架下,提出了欧拉弹性正则与泊松似然保真的图像泊松去噪变分正则化模型.利用交替方向乘子法,将原问题转化为几个不同低阶子问题的求解.对于子问题中出现的高阶非线性项,利用滞后扩散不动点迭代进行线性化,从而得到模型的快速迭代求解算法.通过数值模拟实验,证明了当图像受不同强度泊松噪声影响时,所提出的泊松去噪方法都能够有效的抑制泊松噪声,同时具有良好的结构保持性能.

分数阶整体变分正则化的图像泊松去噪

整体变分正则化模型在去噪时能较好地保边,但是常常不能很好地保持纹理细节,且去噪后图像在平坦区域会出现阶梯效应。为此,文中提出了一种新的分数阶整体变分(Fractional-Order Total Variation,FOTV)泊松去噪模型,并提出了增广拉格朗日方法求解。通过与求解整体变分泊松去噪模型的快速算法比较,数值实验表明,所提出的模型进行泊松去噪时视觉效果较好,且去噪图像具有较高峰值信噪比。

分数阶全变分泊松去噪的快速线性化增广拉格朗日方法

近年来,有关分数阶全变分(FOTV)的图像去噪问题被广为研究。快速傅里叶变换(FFT)是求解相关子问题最常用的方法,但是FFT只适用于周期边界条件。为了能在非周期边界条件下也能实现好的去噪效果,针对FOTV泊松图像去噪模型,结合增广拉格朗日方法(ALM)和线性化技术提出新的算法。实验表明,在周期边界条件下,与采用FFT的增广拉格朗日方法相比,本文提出的算法在达到几乎相同的去噪效果时,收敛速度较快。而且在零Dirichlet边界条件时,也能实现好的去噪效果。

分数阶整体变分泊松去噪模型的分裂Bregman方法

整体变分正则化模型在去噪时能较好的保边,但是不能很好地保持纹理细节和图像对比度,且去噪后图像在平坦区域会出现阶梯效应。为此,提出了一种新的分数阶整体变分(Fractional-order Total Variation,FOTV)泊松去噪模型,以及分裂Bregman方法求解。通过与求解整体变分泊松去噪模型的分裂Bregman方法比较,数值实验表明,所提出的模型进行泊松去噪时视觉效果较好,且去噪图像具有较高峰值信噪比。

基于泊松分布的非局部均值图像去噪方法

针对图像去噪问题,提出基于泊松分布的非局部均值图像去噪方法。将图像中的每一个像素点建模为一个泊松分布,泊松分布的参数根据像素点非局部区域内像素值信息进行极大似然估计;两像素间的差异性由其对应泊松分布的L2范数距离计算;同时,利用两像素点邻域内点对间泊松分布的L2范数的平方和来定义其相似性权值,采用非局部均值的思想进行图像泊松去噪。实验结果表明,所提算法能很好地保留图像中的细节信息,去噪图像峰值信噪比达到22 dB以上,能够有效用于图像去噪。