王亞云

摘要：正則化方法是指在空間域上以符合圖像特征的先驗(yàn)信息作為約束條件，尋找與模糊圖像最近似的清晰圖像以作為解的一種圖像復(fù)原算法。本文研究正則項(xiàng)的泛函形式，基于單一全局泛函的不足，將圖像空間看作微分流形，以圖像分形維數(shù)為特征進(jìn)行分類，進(jìn)而對不同區(qū)域采取不同的泛函約束，得到正則化模型。仿真實(shí)驗(yàn)表明，該方法比單一范數(shù)形式復(fù)原效果更佳。

關(guān)鍵詞：圖像復(fù)原;正則化;微分流形;分形維數(shù)

中圖分類號： TP391? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）02-0166-03

Abstract： The regularization method in image restoration area is a means for obtaining the restored image that approximate to the damaged image by setting the regulation term with a novel prior assumption within the image space. Due to the defect of the traditional single assumption， we can take the image space as a manifold. The feature can be identified by fractal dimension so that the images can be classified. Then the model can decide the form of the regularization term by using the different prior assumptions. It is verified that the new model achieves the desired results.

Key words： image restoration; regularization; manifold; fractal dimension

圖像在形成、傳輸和存儲等過程中因退化因素如模糊、噪聲等形成降質(zhì)圖像。圖像復(fù)原即為根據(jù)降質(zhì)圖像尋找清晰圖像的過程。實(shí)際應(yīng)用中，圖像復(fù)原是指依據(jù)圖像退化的先驗(yàn)知識及降質(zhì)圖像信息，建立圖像退化模型進(jìn)而求解[1]。近幾十年中，圖像復(fù)原方法大致分為基于濾波的算法、基于統(tǒng)計模型的算法及正則化算法。由于對模糊、噪聲成因缺少先驗(yàn)知識，圖像復(fù)原問題往往復(fù)雜且具有不適定性，即不滿足解的存在性、唯一性及穩(wěn)定性。自Tikihonov提出正則化方法以來，不適定性問題獲得了有效的修正方法。正則化方法是指在空間域上以符合圖像特征的先驗(yàn)信息作為約束條件，尋找與模糊圖像最近似的清晰圖像以作為解。圖像的先驗(yàn)信息在模型中以正則項(xiàng)的形式出現(xiàn)。因此，正則化項(xiàng)的選取對于復(fù)原效果具有重要意義。

正則化項(xiàng)若取為L2范數(shù)，則能較好平滑圖像中的噪聲，但易丟失圖像的邊緣細(xì)節(jié)，而L1范數(shù)能保留邊緣細(xì)節(jié)，但在平滑區(qū)域易造成“分片常數(shù)”的現(xiàn)象。因此，考慮在不同特征的圖像區(qū)域借助圖像在流形上的特點(diǎn)構(gòu)造不同的正則化項(xiàng)，建立圖像復(fù)原模型。

1 圖像復(fù)原及正則化方法

圖像的模糊在數(shù)學(xué)描述上體現(xiàn)為卷積，噪聲則具備統(tǒng)計特征，一般服從正態(tài)分布。通常情況下，圖像的退化過程最簡單的模型如下：

對上述模型進(jìn)行最小二乘估計，求解得出：

分析可知，該問題的解存在不適定性。通過在目標(biāo)函數(shù)中添加正則項(xiàng)，引入關(guān)于真實(shí)解的先驗(yàn)信息約束，可穩(wěn)定該問題的解，這種方法即為正則化方法。由此，得到修正后的正則化模型：

其中，第一項(xiàng)為保真項(xiàng)，表示原始圖像模糊后與觀測圖像距離，主要用于抑制噪聲;第二項(xiàng)為正則項(xiàng)，a為正則化參數(shù)，用以平衡保真項(xiàng)和正則項(xiàng)，進(jìn)而影響圖像復(fù)原效果。正則化項(xiàng)的確定是正則化方法的關(guān)鍵。如Tikhonov正則化[2]選取原圖像的二次函數(shù)作為正則化項(xiàng)，以限制解為平滑解，抑制噪聲。其模型為：

該模型對于實(shí)際問題中存在大量邊緣紋理細(xì)節(jié)的圖像復(fù)原時因平滑解而使得復(fù)原圖像丟失大量細(xì)節(jié)。

以Tikhonov正則化為代表的二次型正則化模型通過構(gòu)造二次正則項(xiàng)獲取平滑解，因此非二次型正則化項(xiàng)可以解除平滑性約束、保留圖像邊緣紋理細(xì)節(jié)。其中，最具代表性的是全變差（TV）模型[3]：

總體上說，對于正則化項(xiàng)的優(yōu)化主要體現(xiàn)在兩方面：（1）正則化項(xiàng)中高通濾波器（如梯度算子等）的選擇，以區(qū)分圖像的邊緣和高頻振蕩成分;（2）正則化項(xiàng)中能量泛函的范數(shù)形式的確定。

2 流形正則化算法

2.1 流形正則化模型

正則化方法一般對圖像整體采用統(tǒng)一能量泛函形式。基于對泛函形式的分析，對于一副包含大量邊緣輪廓信息的圖像來說，Tikhonov正則化模型求解的效果顯然不如TV模型，反之，對于“分片常數(shù)”的圖像，后者復(fù)原效果不如前者?？紤]一個圖像不同部分可能具備不同特征，進(jìn)而使用不同的泛函形式，以平衡平滑圖像噪聲和保持圖像紋理特征這一對矛盾。

受文獻(xiàn)[4][5]啟發(fā)，將圖像空間看成“流形”，對局部圖像塊進(jìn)行特征的確定進(jìn)而決定其在流形中的位置，根據(jù)位置的不同采用不同的能量泛函形式，即為“流形”正則化方法。為方便討論，將圖像分為兩類，分片常數(shù)類和邊緣紋理特征明顯類，進(jìn)而正則化項(xiàng)泛函形式二分為L1形式及L2形式。為區(qū)分這兩類圖像，考慮圖像塊的分形維數(shù)作為特征。由此得到流形正則化模型：

2.2 分形維數(shù)

分形理論是現(xiàn)代數(shù)學(xué)與非線性科學(xué)研究中新興分支。分形維數(shù)是分形特征的定量描述。自然界大多數(shù)表面在空間上都是分形的，其映射成的灰度圖像是具有相同分形特征的表面，且分形維數(shù)越大，圖像表面越粗糙，維數(shù)越小越光滑[6]。因此考慮用分形維數(shù)描述圖像紋理粗糙程度。規(guī)則分型常以Hausdorff維數(shù)作為分形維數(shù)，不規(guī)則分型維數(shù)計算方法種類較多，本文選取差分盒子維方法計算[5]。

一副圖像的分形維數(shù)值介于2.0-3.0之間，圖像平滑區(qū)分形維數(shù)接近2，紋理區(qū)接近3。選取測試圖像如圖1所示。

分別選取平滑區(qū)域1、紋理區(qū)域2，根據(jù)差分盒子維方法，計算得出區(qū)域1分形維數(shù)為2.000，區(qū)域2分形維數(shù)為2.585。對于區(qū)域1使用L2范數(shù)有利于去噪，區(qū)域2使用L1范數(shù)保留紋理特征，即根據(jù)第i塊區(qū)域的分形維數(shù)Di確定[λi]取值。為此，定義：

實(shí)驗(yàn)中，為實(shí)現(xiàn)全體像素的分類，須估算每一個像素點(diǎn)的分形維數(shù)。為此，將256*256大小的圖像分為16*16小塊，每一塊像素為16*16，計算出每一子塊的分形維數(shù)，利用線性插值，估算各像素點(diǎn)分形維數(shù)。圖2顯示了利用分形維數(shù)對圖像house、lake中不同特征圖像子塊的分類結(jié)果?？梢姡中尉S數(shù)對于平滑區(qū)域和紋理區(qū)域的分類較為清晰。

2.3 變分梯度流模型

確定參數(shù)[λi]后，利用變分法得到流形正則化模型的梯度流方程：

根據(jù)假設(shè)，各圖像塊互不相交，故每個圖像塊上擴(kuò)散方程為：

由變分法，得上式對應(yīng)的偏微分方程形式為：

2.4 模型求解

利用上式近似求解時，將[λi]取值相同的子圖像塊合并為大圖像塊，接著在大圖像塊上進(jìn)行擴(kuò)散。因此，[λi]與圖像塊[fi]交叉變化，設(shè)計算法如下：

（1） 初始化：實(shí)驗(yàn)中，對大小為256*256的圖像分割為16*16的小塊，計算出各圖像塊的[λi]值，將取值為0、1的子塊分別合并成大圖像塊;

（2） 在大圖像塊上，利用（5）式進(jìn)行迭代，得到擴(kuò)散結(jié)果[fi];

（3） 根據(jù)（2）中更新的[fi]重新計算每個子塊的[λi]值，重復(fù)步驟（1）;

（4） 交叉進(jìn)行（2）（3），直到迭代穩(wěn)定為止。

3 實(shí)驗(yàn)結(jié)果及分析

考慮高斯模糊，點(diǎn)擴(kuò)散函數(shù)為：[k（x，y）=e-x2+y22σ2]，將點(diǎn)擴(kuò)散函數(shù)離散為[[-3σ，3σ]2]矩陣并進(jìn)行歸一化處理。在matlab2018a環(huán)境下，首先將原始圖像灰度值歸一化處理，計算高斯函數(shù)與原始圖像的卷積，接著給模糊圖像附加方差為0.01的高斯白噪聲。

針對下列兩個測試圖像圖像，分別使用L1泛函、L2泛函及流形化模型泛函，結(jié)果如圖3所示。

從圖像中可以看出，流形正則化方法在去噪方面不如L1范數(shù)形式，在避免“分片常數(shù)”效應(yīng)方面有優(yōu)勢，圖像子塊的均獲得較好復(fù)原;與L2范數(shù)形式相比，流形正則化保留了更多的邊緣紋理細(xì)節(jié)。

引入評價指標(biāo)MSE、PSNR對house、lake兩幅圖像復(fù)原效果進(jìn)行比較評價，其中：

計算結(jié)果如下：

4 小結(jié)

本文基于正則化項(xiàng)范數(shù)形式對于圖像復(fù)原效果的影響以及將圖像視為非歐幾何中的微分流形的觀點(diǎn)，基于圖像內(nèi)蘊(yùn)幾何性質(zhì)—分形維數(shù)為特征，在圖像流形上建立不同形式的泛函形式，得到相應(yīng)正則化模型。以house、lake為實(shí)驗(yàn)對象，比較不同泛函形式下圖像復(fù)原效果，圖像直觀以及峰值信噪比PSNR客觀取值均表明，該模型比單一范數(shù)約束復(fù)原效果更佳。

參考文獻(xiàn)：

[1] 張彬，于欣妍，朱永貴.圖像復(fù)原優(yōu)化算法[M].北京：國防工業(yè)出版社，2018.

[2] Tikhonov A N. On the solution of ill-posed problems and the method of regularition[J]. Soviet Mathematics，1963（4）：1035-1038

[3] Umut Guclu，Yagmur Gucluturk，Chu kiong Loo. Evaluation of fractal dimension estimation methods for feature extraction in motor imagery based brain computer interface[J]. Procedia Computer Science，2011，3：589-594

[4] 于欣妍，王亮，羅四維.基于微分流形的圖像復(fù)原方法方法[J].北京交通大學(xué)學(xué)報，2015，5（39）：1-7.

[5] 金文清.基于微分流形的圖像處理和算法研究[D].南京：南京理工大學(xué)，2015.

[6] 趙瑩，高雋，陳果，馮文剛.一種基于分形理論的多尺度紋理特征提取方法[J].儀器儀表學(xué)報，2008，4（29）：177-781.

[7] 王迪吉.基于分形維數(shù)的紋理特征的提取與應(yīng)用[J].石河子大學(xué)學(xué)報（自然科學(xué)版），2007，5（25）：650-653.

[8] 趙海英，楊光俊，徐正光.圖像分形維數(shù)計算方法的比較.計算機(jī)系統(tǒng)應(yīng)用，2010，20（3）：238-246.

【通聯(lián)編輯：唐一東】