导读:本文包含了全变差论文开题报告文献综述及选题提纲参考文献，主要关键词:去马赛克,全变分,四阶偏微分方程,阶梯效应
全变差论文文献综述
刘铭丽,王希云[1]（2019）在《高阶全变差正则化彩色图像去马赛克》一文中研究指出针对全变差(total variation,TV)正则化方法会在恢复出来的图像中产生阶梯效应,提出了一种基于四阶偏微分方程的高阶全变差正则化彩色图像去马赛克模型,此模型在ROF模型的基础上,用四阶范数代替TV范数,消除了ROF模型所产生的阶梯效应。实验结果表明,该模型能取得较好的图像复原效果。(本文来源于《太原科技大学学报》期刊2019年06期）
杨润宇,贾亦雄,徐鹏,谢晓振[2]（2019）在《截断核范数和全变差正则化高光谱图像复原》一文中研究指出目的高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果将本文与其他叁种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。(本文来源于《中国图象图形学报》期刊2019年10期）
李明杰,贺铸[3]（2019）在《基于正则先验的全变差快速代数迭代算法及其在火焰辐射测量中的重建性能分析》一文中研究指出针对传统重建算法对火焰重建精度低、重建速度慢的问题,提出了基于正则先验的全变差代数迭代(ARTTV)算法,以提高对称与非对称火焰的重建精度。同时,为了提高重建速度,建立了基于"ARTTV-粒子群算法(PSO)内核"的极限学习机(ELM)神经网络,该神经网络具有与迭代算法近乎相同的重建能力,同时又具有超过迭代算法约300倍的重建速度。(本文来源于《光学学报》期刊2019年10期）
王迎美,王桢东,李功胜[4]（2019）在《基于变指数分数阶全变差和整数阶全变差的图像恢复算法》一文中研究指出结合变指数全变差(totalvariation, TV)和整数阶TV,提出一种变分图像恢复算法。该变分问题的能量泛函主要分为叁个部分:变指数p(x)的分数阶TV正则化项、整数阶TV正则化项和数据保真项。该模型中的指数p(x)是与图像的梯度信息有关的函数。在理论上,由于分数阶导数和整数阶导数的结合,使得所提方法不仅能有效地去除图像噪音,保护图像的边界高频信息,还能更好地保留图像的纹理细节等中低频信息,同时可以极大地消除图像处理中产生的阶梯效应和散斑效应。在模型的求解上,利用变分法可以简单地将极小化泛函的优化问题转化为梯度下降流方程。最后,通过模拟数据和真实数据对本文所提方法进行了验证。试验结果表明,该方法可以去除噪声的同时,有效保持边界和纹理细节,并且对噪声是鲁棒的,具有一定的实际应用价值。(本文来源于《山东大学学报(理学版)》期刊2019年11期）
谌德荣,吕海波,李秋富,宫久路,厉智强[5]（2019）在《分块压缩感知的全变差正则化重构算法》一文中研究指出针对分块压缩感知(BCS)重建图像质量较差问题,该文提出一种最小化l_0范数的分块压缩感知全变差(TV)正则化迭代阈值图像重构算法(BCS-TVIT)。BCS-TVIT算法考虑图像的局部平滑、有界变差等性质,将最小化l_0范数与图像的全变差TV正则项结合,构建目标函数。针对目标函数中l_0范数项和分块测量约束项无法直接优化问题,采用迭代阈值法使重构图像l_0范数最小化,并通过凸集投影保证满足约束条件,完成了目标函数的优化求解。实验表明,与基于l_0范数最小化的分块压缩感知平滑投影算法(BCS-SPL)相比,BCS-TVIT算法重构图像峰值信噪比提高2 dB,能消除BCS-SPL的"亮斑"效应,且在视觉效果上明显优于BCS-SPL算法;与最小全变差算法相比,BCS-TVIT算法重构图像峰值信噪比提升1 dB,且能降低重构时间约2个数量级。(本文来源于《电子与信息学报》期刊2019年09期）
曾海金,蒋家伟,赵佳佳,王艺卓,谢晓振[6]（2019）在《L_(1-2)空谱全变差正则化下的高光谱图像去噪》一文中研究指出针对高光谱图像的复原问题,提出了一种基于局部核范数最小化和全局L_(1-2)空谱全变差正则化的高光谱复原模型.首先,将高光谱图像划分成局部交迭的叁维图块,在提高局部低秩性的同时减少核范数最小化带来的信息损失;然后,建立稀疏表达能力更强的L_(1-2)空谱全变差正则项,不仅能表示空间稀疏先验,而且还能发掘光谱稀疏先验;最后联合两者的优势,在局部上利用核范数最小化惩罚光谱低秩性,在全局上利用L_(1-2)空谱全变差约束高光谱的空间和光谱稀疏性,建立新的高光谱图像复原模型.该模型不仅能够有效去除高斯噪声、脉冲噪声、死线噪声及其混合噪声,而且减少了对噪声独立同分布假设的依赖,能部分抑制与结构相关的噪声.通过对模拟的和真实的高光谱图像进行大量的实验仿真,并与经典的基于低秩和全变差的复原方法相比,本文模型复原结果的平均峰值信噪比提高1.36 dB,平均结构性相似指标提高0.004,而Q-测度降低1.35,平均光谱角降低0.64,复原精度大幅度提高.(本文来源于《光子学报》期刊2019年10期）
杨道静[7]（2019）在《基于共轭梯度法的全变差盲图像去模糊仿真》一文中研究指出为解决当前方法盲图像去模糊视觉效果较差、原始图像细节特征丢失的问题,提出了基于共轭梯度法的全变差盲图像去模糊方法。该方法利用shock滤波器从模糊目标图像中预测清晰边缘梯度和模糊边缘梯度,模拟目标图像质量退化过程,将预测得到的清晰边缘梯度作为先验知识,采用尺度策略实现运动模糊核的估计;采用共轭梯度法将目标图像的共轭性与图像已知像素点的梯度值构成一组共轭方向并沿着该方向进行全局搜索,实现误差代价函数的极小值迭代求解;在此基础上,将二阶差分最小化约束条件加入到求解目标盲图像误差代价函数极小值中去,采用全变差正则化方法,将目标盲图像去模糊问题转换为频域滤波问题处理。仿真结果表明,提出方法有效提高了去模糊后图像的峰值信噪比,视觉效果与原始测试图像结构信息基本一致,同时提升了图像的去模糊效率。(本文来源于《计算机仿真》期刊2019年07期）
陈胜南[8]（2019）在《全变差优化算法及其应用》一文中研究指出随着互联网运用的不断发展,人们主要通过图像获取外界信息.而图像在获取、传输、处理、保存、输出等过程中,受不可制约因素的影响,会导致图像退化.因此,由模糊的带噪图像复原出或恢复出原始图像在实际应用中显得非常重要.本文以图像复原为研究背景,结合全变差正则化和优化算法,对图像复原问题进行了深入的分析和研究,其主要工作有以下几个方面.(1)基于图像复原的基本知识,详细叙述了该问题的研究背景、意义及国内外研究现状.(2)基于退化图像的数学模型,给出退化模型的离散过程,并介绍了退化函数的类型及图像退化的噪声类型.(3)以全变差正则化方法为基础,重点探讨了全变差正则化适用于图像复原的理论依据,推导了全变差正则化的离散过程.探讨了基于全变差正则化图像复原的牛顿法、阻尼牛顿法结合BB算法、原始对偶牛顿法叁种优化算法及详细步骤,并进行实验与分析.通过比较叁种优化算法的实验结果,得出原始对偶牛顿法在图像复原时复原效果较好.(4)基于全变差正则化项、Huber函数正则化项提出了一种新的正则化项用于图像复原,并进行数值实验与分析.通过比较叁种正则化项的实验结果,验证了新提出的方法的有效性、可行性。(本文来源于《西安理工大学》期刊2019-06-30）
陈莹[9]（2019）在《基于NSCT全变差的乳腺断层图像去噪研究》一文中研究指出数字乳腺X射线断层合成成像术(Digital Breast Tomosynthesis,DBT)是一种能够实现乳腺叁维断层重建的技术,可以消除重迭组织的干扰。然而,DBT图像的对比度低且含有噪声,这降低了图像的质量。因此,如何有效地对DBT图像去噪,同时保留DBT图像中组织和病变结构的边缘轮廓,对于提高DBT图像的质量起着关键作用。本文研究了全变差去噪模型和非降采样轮廓波(Nonsubsampled Contourlet,NSCT)变换方法,提出改进的全变差正则项去噪模型、改进的全变差正则项去噪模型与NSCT变换相结合的图像去噪方法,并将其应用到DBT图像的去噪中。具体包括:首先提出一种改进的各项异性全变差加权正则项(Anisotropic Total Variation Weighted Regularization,ATVWR)去噪模型。该模型根据图像中平坦和纹理等区域的特点,自适应调节全变差正则项的水平和垂直方向的权重,进而调节模型的滤波强度。改进后的模型一定程度上抑制了“阶梯效应”,能够有效地去除图像中的噪声,同时可以较好地保留图像中的纹理信息和边缘轮廓。对体模图像仿真方法进行参数改进,仿真出能够较好表示乳腺组织特征的体模。针对体模图像和实际DBT图像进行去噪实验,实验结果表明本文所提模型能够将去噪后图像的PSNR值提高1.8dB,同时可以较好地保持DBT图像中的病灶结构和纹理信息。其次提出一种NSCT变换与ATVWR模型结合的去噪算法。该算法将图像的不同方向和不同尺度上的NSCT系数作为全变差正则项,对NSCT系数使用加权正则项运算来进行最小化处理,能够有效地优化不同频率子带的信息;此外,NSCT系数可以将图像中信息成分和噪声成分分离开,从而消除全变差正则项在迭代过程中产生的“阶梯效应”,进一步保留乳腺组织的边缘,从而提高图像清晰度。实验结果证明该模型能够对DBT图像有效地去噪,同时可以很好地保留DBT图像中微小的钙化点、肿块边缘等病灶信息,相比于现有的全变差相关去噪方法,所提出的方法的PSNR值能够提高2.4dB。(本文来源于《北京交通大学》期刊2019-04-24）
徐磊[10]（2019）在《求解全变差正则化的对偶分裂算法》一文中研究指出本文研究了带有脉冲噪声的图像去噪问题。传统的Tikhonov正则化方法通常采用二次数据模拟项,这种模拟项可以很好地处理图像中的高斯噪声。但是,当图像中的噪声为脉冲噪声时,传统的Tikhonov正则化并不适用于此类噪声。为了更好地去除脉冲噪声,本文研究带有l_1模拟项的TV(全变差)正则化。TV正则化相对于传统的二次光滑正则化,主要的缺点为稳定性差。为了增强泛函的稳定性,本文在TV正则化的基础上增加一个光滑的l2正则化项,该罚项可以提高泛函的稳定性。所提出的新的优化方法不仅可以去除脉冲噪声、保留图像的边缘,还可以提高稳定性。本文证明了全变差正则化泛函最小解的存在性、稳定性、收敛性以及收敛速度,从而证明该方法是一种正则化方法。由于l_1模拟项和TV正则化都是不可微的,传统的梯度算法不再适用。本文利用对偶方法将其转化为具有对偶形式的约束泛函,转化后的对偶形式是光滑的,从而可以利用投影梯度算法求解对偶问题的最小解。然后利用线性约束方程和增广拉格朗日函数简化计算过程,并证明算法的收敛性。最后,数值算例给出了该算法在压缩感知和图像修复问题中的应用,验证了该算法的有效性。此外,将分裂方法与ADM(交替方向方法)和TNIP(牛顿断点法)进行比较,得出分裂算法比ADM和TNIP的收敛速度要高。说明分裂方法的修复效果明显优于其他两种方法。(本文来源于《东北林业大学》期刊2019-03-01）
全变差论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果将本文与其他叁种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
全变差论文参考文献
[1].刘铭丽,王希云.高阶全变差正则化彩色图像去马赛克[J].太原科技大学学报.2019
[2].杨润宇,贾亦雄,徐鹏,谢晓振.截断核范数和全变差正则化高光谱图像复原[J].中国图象图形学报.2019
[3].李明杰,贺铸.基于正则先验的全变差快速代数迭代算法及其在火焰辐射测量中的重建性能分析[J].光学学报.2019
[4].王迎美,王桢东,李功胜.基于变指数分数阶全变差和整数阶全变差的图像恢复算法[J].山东大学学报(理学版).2019
[5].谌德荣,吕海波,李秋富,宫久路,厉智强.分块压缩感知的全变差正则化重构算法[J].电子与信息学报.2019
[6].曾海金,蒋家伟,赵佳佳,王艺卓,谢晓振.L_(1-2)空谱全变差正则化下的高光谱图像去噪[J].光子学报.2019
[7].杨道静.基于共轭梯度法的全变差盲图像去模糊仿真[J].计算机仿真.2019
[8].陈胜南.全变差优化算法及其应用[D].西安理工大学.2019
[9].陈莹.基于NSCT全变差的乳腺断层图像去噪研究[D].北京交通大学.2019
[10].徐磊.求解全变差正则化的对偶分裂算法[D].东北林业大学.2019