基于图像局部梯度L0范数正规化的图像分解算法-论文.pdf

《基于图像局部梯度L0范数正规化的图像分解算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、JournalofComputerApplicationsISSN1001—90812014。0610计算机应用，2014，34(6)：1738—1740，1745C0DENJYIIDUhttp：，，．oca．ca文章编号：1001—9081(2014)06—1738—03doi：10．11772／j．issn．1001—9081．2014．06．1738基于图像局部梯度0范数正规化的图像分解算法潘康俊，谢德红(1．浙江工贸职业技术学院电子工程系，浙江温州325003；2．江苏省纸浆造纸科学与技术重点实验室(南京林业大学)

2、，南京210037)(通信作者电子邮箱dehong．xie@gmail．con)摘要：针对基于梯度范数正规化的变分泛函最优化分解图像时误判噪声梯度为边缘梯度的问题，提出一种基于图像局部梯度的范数正规化的图像分解算法。该算法构造了一个由保真函数和正则项构成的适用于图像分解的变分泛函，其中正则项用图像的局部梯度的范数进行估计，进而通过求解泛函的最小值，以分解出图像的结构信息(即图像的边缘)。与直接基于图像一阶梯度的范数的分解算法相比，该算法可以去除噪声梯度的干扰，从而使分解出的图像边缘中不含有噪声。实验结果表明，该算法在分解图

3、像结构和纹理时，既能很好地把边缘保留在图像结构层中，也可把噪声分解到图像结构层外。关键词：局部梯度；图像分解；Lo范数；变分泛函；噪声中图分类号：TP391；TN911．73文献标志码：AImagedecompositionalgorithmbasedonL0-normregularizationusinglocalgradientPANKangjun．XIEDehong(1．DepartmentofElectronicEngineering,ZhejiangIndustryandTradeVocationalColleg

4、e，WenzhouZhejiang325003，China；2．JiangsuProvinceKeyLaboratoryofPutpandPaperScienceandTechnology(NangForestryUniversity)，NanjingJiangsu210037，China)Abstract：AnimagedecompositionbasedonminimizingthevariationalfunctionwithLo—Borlnregularizationusinglocalgradientwaspro

5、posed，withregardtotheproblemthatdifferencebetweengradientofthenoiseandgradientoftheedgecannotbediscriminatedbythetypicalgradientcomputedfromthefirst-orderderivative．Itconsistedoffidelitytermandregularterm，andtheregulartermwasestimatedbytheL0一normoflocalgradientfro

6、mthefirst—orderderivative．Finally，thebaselayer，onlyincludingedgesandexcludingnoises，wasobtainedbyminimizingtheproposedvariationalfunction．ComparedwiththedecompositionalgorithmwiththetypicalLogradientregulation，theproposedalgorithmcanpreservesharpedgesandavoidtheim

7、pactofnoises．Keywords：localgradient；imagedecomposition；L0一norm；variationalfunction；noise衡-2]。2008年，Farbman等⋯在此基础上提出权重最小二0引言乘法(WeightedLeastSquare，WLS)的优化方法，减少了分解近年来，图像分解成为一个比较热门的研究领域，并被广模型中滤波参数对分解边缘和细节的影响，保持原有边缘形泛应用于图像去噪、图像增强、高动态范围图像压缩等研究领状的性能也得到进一步改善。然而，此类分解模型本质都

8、是域中。图像分解通常是指将图像分解成具有不同特征的两层依据梯度确定滤波器参数以判断边缘信息和细节信息，而实或多层图像。例如，在图像增强和高动态范围图像压缩算法际上一些非边缘的梯度可能与边缘的梯度相同(如噪声)，从中，常把图像分解成基础层和细节层：基础层是由原图像的主而导致错误的分解。要结构信息(如边缘)