基于Nambu泛函的彩色图像正则化重建
2015-12-23韩玉兵金文清徐梦娜
韩玉兵,金文清,徐梦娜
(南京理工大学 电子工程与光电技术学院,江苏 南京210094)
0 引 言
在图像处理、视频处理和计算机视觉等领域,经常遇到图像去噪、图像反卷积、图像插值和超分辨率重建[1]等问题,为方便起见,本文统称为图像重建,它们都属于病态反问题的范畴,需要进行正则化处理,比如对于采用标准Tikhonov正则化的方法,其存在的不足之处就是会使得图像边缘模糊不清。为了保证较好的边缘细节,文献 [2]中提到的总变分 (total variation,TV)正则化的方法对此问题进行了改善,其能够保持图像边缘的相关信息。近年来小波 (wavelet)分析作为一种多分辨率处理的时频分析工具,因其独特的优良特性,越来越多地应用在图像重建中,文献 [3]提出了一种将二元树与小波结合的概念,将小波收缩、形态小波等一系列概念结合在一起形成一种新的图像正则化框架。另一方面,相比于灰度图像,彩色图像的不同颜色通道间的信号是高度相关的,存在许多冗余和互补信息,所以彩色图像的信号重建显得更为复杂。通常的图像重建方法都是将这3 个通道分别进行单独处理,然后结合各个通道的结果,但这种方法往往造成通道间不一致和图像边缘色彩抖动等问题[4]。
最近,基于微分流形的图像处理方法得到很大的发展,如Sochen等将图像表示为两个黎曼微分流形间的嵌入映射,引入Nambu泛函表示嵌入流形曲面的 “面积”度量,并提出基于Beltrami流的图像处理框架;文献 [5]针对去噪问题提出两种Crank-Nicolson半隐式格式LOD (locally one-dimensional)和AOS (additiveoperator splitting),但并没有将该方法应用到图像插值、去模糊和超分辨重建等图像重建场合;王泽龙,Sidi和Wetzler等[6-8]则研究了图像微分流形模型在图像去噪和纹理分割中的应用。
本文主要针对彩色图像的去噪、反卷积、插值和超分辨重建,提出一种基于Nambu泛函的微分流形彩色图像重建正则化模型,具体内容组织将在下文中进行论述。
1 图像重建的正则化模型
图像在外界环境各式各样的影响下,会受损降质,我们用一数学模型来表示这一过程
式中:Y——受损图像;X——原图像;N——在受损过程中随机产生的高斯白噪声,设其期望为0、标准差为σ;H——降质算子,降质算子的不同就代表受损的方式不同。当H=I时,即为一个基本的去噪模型;当H=B 时,其中B 是模糊卷积算子,即为一个去模糊或者是反卷积模型;当H=D 时,其中D 是降采样算子,即为一个图像插值模型。我们的目标就是尽可能将受损图像Y 恢复为原图像X,此过程即为图像重建。
图像重建过程是一个病态问题,所谓病态问题就是观测值的微小变动将会导致解的巨大变动。这种病态现象是我们必须得克服的。然而也必须使所求解最大程度接近真实解,为了同时达到这两个要求,即需要找到一个平衡点。为了处理这个问题,找到一个叫正则化[9,10]的方法。基于正则化处理的图像重建可归结为如下泛函的极小化问题
图像处理是个病态问题,对于病态的研究主要是两个处理点:一是上式中正则项R(X)的确定,用来衡量图像信号的某种奇异性,该项的确定对于恢复图像的细节起着相当大的作用;二是正则化参数的确定。本文将针对第一个问题展开研究,提出一种基于Nambu泛函的彩色图像正则化模型,并将其运用到彩色图像的各种信号重建中。
2 基于Nambu泛函的彩色图像重建正则化模型
引入两个黎曼微分流形∑,Μ,且其维数dim∑=m,dimΜ=n,∑,Μ的局部坐标为(σ1,…,σm),(x1,…,xn)。设有∑,Μ上的度量为(guv),(πij),两流形的坐标间距分别为和为便于以下说明,记G =(guv)u,v=1,…,m,Π =(πij)i,j=1,…,n,g =|G|,G-1=(guv)u,v=1,…,m。由微分流形的经典理论可以知道,嵌入度量Π =(πij)和导出度量G =(guv)之间具有如下拉回 (Pullback)关系:,其中Θ =(Θ1,…,Θn):∑→M 为一嵌入映射。
下面简单介绍彩色图像的微分流形模型,彩色图像是一个二维流形∑到五维空间MR5的嵌入映射Θ,即
不难看出,当i=1时,即为灰度图像处理模型。观察可以发现,式 (5)的面积微元由两大部分组成,一部分是各自通道的项,另一部分是交叉项该项体现了不同通道之间的相互影响,而Nambu泛函则可以使不同通道之间的影响最小,从而较好的解决彩色图像的边缘色彩抖动问题。
通过彩色图像的Nambu泛函和微分流形模型,从而探究彩色图像的信号重建问题。假设各通道的降质机理相同,其降质模型为
式中:Ni——不同通道的观测噪声,i——3 个通道指标,并都假设其是服从分布Ni~N(0,σ2I)的高斯白噪声。将其进行正则化处理后归结为下列泛函极小化问题
3 数值计算
本节讨论优化问题式 (7)的数值计算求解,这是一个包含微分和积分算子的高度非线性方程。首先给出如下引理。
采用标准的变分原理[11],可得泛函J(X)的Euler-Lagrange方程为
借鉴邻近算子的前向后向迭代算法,引进参数γ >0,式 (10)等价于
经过整理,可得到
其中Ui=Xi+γ(HTYi-HTHXi)为前向迭代步。显然式(12)等价于如下极小化问题的Euler-Lagrange方程
上式是一个简单的图像去噪问题,关于它的求解,引入一个人工变量t,将式 (12)与一组偏微分方程嵌入在一起,化成以下的形式
此处我们借鉴文献 [5]的方法,对混合偏导采用显式格式进行离散,对非混合偏导采用隐式格式进行离散。并采用LOD 算子分裂方法得到如下的半隐式Crank-Nicolson后向迭代格式
综上可得优化问题式 (7)的数值求解算法:
算法:基于Nambu泛函的彩色图像正则化重建算法:
步骤1 设定迭代初始值Xi(0),迭代次数k=0;
步骤2 进行前向迭代得Ui(k)=Xi(k)+γ[HTYi-HTHXi(k)];
步骤3 根据式(15),进行半隐式后向迭代得Xi(k+1);
步骤4 判断是否收敛或满足停止条件,如果不满足则令k=k+1转步骤2;
注:上述步骤3中可以迭代直至收敛,也可以适当迭代数次即可,仿真结果证明迭代较少次就具有良好的收敛效果。
4 实验研究
选用标准的Lena、Baboon、Pepper和Couple彩色测试图像研究图像的去噪、反卷积、插值和超分辨率重建。图像重建方法采用基于Nambu泛函的正则化方法、基于小波正则化方法[3]、基于TV 正则化方法[2]以及双三次插值方法等。原始图像大小为256×256,图像反卷积和超分辨率重建中的模糊算子为标准差为1的7×7高斯模糊核,图像插值和超分辨率重建中的宽和高方向的降采样因子为2。将图像归一化为 [0,1],所有降质模型中均添加均值0、标准差σ=0.02的加性高斯白噪声。重建评价指标采用常见的峰值信噪比PSNR。
图1为图像去噪重建结果,从上至下,从左至右依次为原始图像,降质图像,小波正则化、TV 正则化和Nambu泛函正则化方法的重建图像,其中Nambu泛函正则化模型中的正则化参数为0.00045,嵌入度量参数为β1 =β2 =β3=50,小波和TV 正则化参数为0.04,小波变换层数为3。小波正则化去噪图像、TV 正则化去噪图像和基于Nambu泛函正则化去噪图像的PSNR 分别为35.9761dB、35.6685dB和36.1282dB。
图1 图像去噪重建结果
图2为图像反卷积重建结果,从上至下,从左至右依次为原始图像,降质图像,小波正则化、TV 正则化和Nambu泛函正则化方法的重建图像,其中Nambu泛函正则化模型中的正则化参数为0.000035,嵌入度量参数为β1 =β2=β3 =30,小波变换层数为3,小波正则化参数为0.01,TV 正则化参数为0.02。小波正则化、TV 正则化和基于Nambu泛函正则化重建图像的PSNR 分别为24.2548 dB、24.0324dB和24.8336dB。
图3为图像插值重建结果,从上至下,从左至右依次为原始图像,降质图像,小波正则化、TV 正则化、双三次插值和基于Nambu泛函正则化模型的插值重建图像,其中Nambu泛函正则化模型中的正则化参数为0.00045,嵌入度量参数为β1=β2 =β3 =50,小波变换层数为3,小波正则化参数为0.06,TV正则化参数为0.02。小波正则化、TV 正则化、双三次插值和基于Nambu泛函正则化重建图像的PSNR分别为26.7588dB、27.0232dB、26.5684dB和27.4687dB。
图4为图像超分辨率重建结果,从上至下,从左至右依次为原始图像,降质图像,小波正则化、TV 正则化、双三次插值和基于Nambu泛函正则化的超分辨率重建图像,其中Nambu泛函正则化模型中的正则化参数为0.00035,嵌入度量参数为β1 =6,β2 =40,β3 =10,小波变换层数为3,小波正则化参数为0.01,TV 正则化参数为0.02。小波正则化、TV 正则化、双三次插值和基于Nambu泛函正则化超分辨率重建图像的PSNR 分别为28.8675dB、29.8068 dB、29.3259dB和29.8123dB。
由图1至图4可以看出:对于典型的图像去噪、图像反卷积、图像插值和图像超分辨率重建,相比小波正则化、TV 正则化和双三次插值方法,本文提出的基于Nambu泛函的图像正则化重建方法具有更高的PSNR;从主观视觉上看,本文方法具有很强的图像去噪和细节保持性能,重建图像显得更加光滑柔和,各个通道间的色彩一致性保持很好,从而能够有效克服彩色图像的边缘色彩抖动。
图2 图像反卷积重建结果
图3 图像插值重建结果
5 结束语
提出一种彩色图像的正则化重建方法,给出基于Nambu泛函的正则化重建框架,详细推导了相应正则化泛函的Euler-Lagrange 方程,采用Crank-Nicolson 半隐式LOD格式对彩色图像的去噪问题进行分裂求解,在此基础上结合邻近算子理论完成彩色图像的反卷积、插值和超分辨率重建问题的数值算法设计。该算法可以方便处理高维图像信号的各种重建问题,能够很好地克服了各通道单独处理时带来的图像边缘色彩抖动问题。实验结果验证了该方法的有效性,重建图像具有良好的去噪和细节保持性能。
[1]LU Qingchun.Research for super-resolution image reconstruction algorithm based on regularization [D].Hefei:University of Science and Technology of China,2010 (in Chinese).[路庆春.正则化超分辨率图像重建算法研究 [D].合肥:中国科学技术大学,2010.]
[2]Goldstein T,Osher S.The split bregmanmethod for L1-regularized problems [J].SIAM Journal on Imaging Science,2009,2 (2):323-343.
图4 图像超分辨率重建结果
[3]Xiang ZJ,Ramadge PJ.Edge-preserving image regularization based on morphological wavelets and dyadic trees [J].IEEE Transactions on Image Processing,2012,21 (4):1548-1560.
[4]Nancy E,Sumandeep K.Image enhancement techniques:A selected review [J].IOSR Journal of Computer Engineering,2013,9 (6):84-88.
[5]Rosman G,Dascal L,Tai XC,et al.On semi-implicit splitting schemes for the Beltrami color image filtering [J].Journal of Mathematical Imaging and Vision,2011,40:199-213.
[6]WANG Zelong,ZHU Jubo.Beltrami flow and its application in image denoising [J].Journal of National University of Defense Technology,2012,34 (5):137-141 (in Chinese).[王泽龙,朱炬波.Beltrami流及其在图像去噪中的应用 [J].国防科技大学学报,2012,34 (5):137-141.]
[7]Idrissi Sidi Yassine,Samir Belfkih.Texture image segmentation using a new descriptor and mathematical morphology [J].The International Journal of Information Technology,2013,10(2):204-208.
[8]Aaron W,Ron K.Efficient Beltrami flow in patch-space[G].LNCS 6667:Scale Space and Variational Methods in Computer Vision.Berlin:Springer Berlin Heidelberg,2012:134-143.
[9]XIAO Liang,WEI Zhihui.Research on non-local regularization model and algorithms for image super-resolution reconstruction[J]Chinese Journal of Computers,2011,34 (5):932-940(in Chinese).[肖亮,韦志辉.图像超分辨率重建的非局部正则化模型于算法研究 [J].计算机学报,2011,34 (5):932-940.]
[10]CHENG Guangquan,CHENG Lizhi.Regular directional based compressed image quality assessment [J].Journal of Electronics &Information Technology,2010,32 (6):1316-1320 (in Chinese).[程光权,成礼智.基于正则化方向失真的压缩图像质量评价 [J].电子与信息学报,2010,32 (6):1316-1320.]
[11]Aubert G,Kornprobst P.Mathematical problems in image processing:Partial differential equations and the calculus of variations[M].2nd ed.New York:Springer,2010.