基于GVC的擴(kuò)散模型與圖像去噪方法研究.pdf

1、當(dāng)今社會(huì)，有大量的圖像數(shù)據(jù)需要處理。而且，很多領(lǐng)域中需要通過圖像來解釋現(xiàn)象或者得出結(jié)論，但這些圖像往往會(huì)受到噪聲的干擾，例如醫(yī)學(xué)圖像，遙感圖像，考古圖像等。因此，對(duì)圖像的噪聲去除具有很重要的現(xiàn)實(shí)意義。
　　 近二十年來，基于偏微分方程的圖像去噪方法得到了廣泛的研究與應(yīng)用。而基于偏微分方程的方法又可以分為二階偏微分方程和四階偏微分方程。二階偏微分方程的代表模型就是P-M方程。但是P-M模型處理得到的結(jié)果很容易產(chǎn)生階梯效應(yīng)，這種現(xiàn)象

2、會(huì)引起后續(xù)圖像處理的誤判斷。四階偏微分方程的代表模型是Y-K方程。Y-K模型可以有效的去除階梯效應(yīng)，但由于該算法是一個(gè)各向同性的濾波算法，因此在圖像邊緣保護(hù)能力會(huì)有所降低，使得去噪結(jié)果中邊緣和紋理等細(xì)節(jié)信息丟失。
　　 考慮到以上的缺點(diǎn)，本文將梯度矢量卷積場(chǎng)（GradientVectorConvolution,GVC）引入到P-M和Y-K模型中，提出了兩種新的擴(kuò)散模型。由于GVC對(duì)高斯噪聲有很強(qiáng)的魯棒性和凹面收斂能力，可以有效指

3、向圖像邊緣，而且計(jì)算速度非?？?，因此本文的新模型在去噪效果，邊緣保護(hù)能力和計(jì)算速度方面都有一定的提高。
　　 首先，提出了基于GVC的二階擴(kuò)散模型，該模型提高了原始P-M模型中逆擴(kuò)散項(xiàng)的數(shù)值穩(wěn)定性，在受到高斯噪聲影響的情況下，逆擴(kuò)散項(xiàng)仍然可以有效的阻止模型在圖像邊緣的擴(kuò)散并提高在平滑區(qū)域的擴(kuò)散。
　　 其次，提出了基于GVC的四階擴(kuò)散模型。原始的Y-K模型是一個(gè)各向同性的濾波方法，本文提出的新模型降低了圖像在邊緣方向的擴(kuò)