張 帆

（河南工程學(xué)院 計算機科學(xué)與工程系，河南 鄭州450053）

0 引 言

目前圖像去噪的方法有很多種，傳統(tǒng)的均值濾波、中值濾波等一些比較典型的空域去噪方法［1，2］，基于小波的去噪方法［3］。而近20年來，基于偏微分方程 （PDE）的方法在圖像去噪中也得到了廣泛的應(yīng)用［4］。Perona和Malik［5］首次提出了經(jīng)典的各向異性擴散P－M 模型，該模型由一個關(guān)于圖像梯度模值的擴散函數(shù)控制圖像的擴散程度，使圖像在梯度模值小的區(qū)域進(jìn)行大規(guī)模地擴散，在梯度模值小的區(qū)域行小規(guī)模地擴散。自P－M 模型的提出，出現(xiàn)了大量的基于偏微分方程的各向異性擴散的圖像去噪方法研究［6－9］。基于二階偏微分方程的擴散模型可以達(dá)到很好的去噪效果，但是由二階偏微分方程處理得到的結(jié)果圖像中會產(chǎn)生很明顯的階梯效應(yīng)。該現(xiàn)象不僅會產(chǎn)生不良的視覺效果，而且會造成后續(xù)圖像處理工作中對圖像理解和分析的誤判斷。為了解決該問題，You和Kaveh首先提出了基于四階偏微分方程的Y－K 模型，該模型使圖像最終擴散為一個分段光滑的斜面，有效地避免了階梯效應(yīng)。盡管Y－K 模型不會產(chǎn)生階梯效應(yīng)，但該模型過度平滑圖像的高頻成份，包括邊緣細(xì)節(jié)，而且在結(jié)果圖中會產(chǎn)生孤立的脈沖噪聲，即所謂的 “斑點效應(yīng)”［10］。

梯度矢量場 （GVF）［11］是作為主動 輪廓模型［12，13］的 外力場提出來的，可以有效檢測圖像的輪廓邊緣。但GVF的抗噪能力很弱，因此Ghita［14］等人提出一種改進(jìn)的GVF場（INGVF）邊緣檢測算法，并把INGVF 引入到P－M 模型中。雖然提出的基于INGVF 的P－M 模型能得到更好的去噪算法，但由于二階偏微分方程固有的階梯效應(yīng)，因此，本文將INGVF場引入到四階Y－K 模型中，提出了基于邊緣檢測的各向異性四階擴散模型，該模型不但消除了二階模型的階梯效應(yīng)，而且能夠使圖像在梯度方向的擴散小于在邊緣方向的擴散，從而在去除圖像噪聲的同時能更好地保留圖像的邊緣細(xì)節(jié)。實驗結(jié)果表明，新的四階PDE 模型不僅可以提高結(jié)果的峰值信噪比和平均結(jié)構(gòu)相似度，而且能更好地保持圖像的邊緣特征。

1 邊緣檢測模型和四階偏微分方程

1.1 INGVF邊緣檢測模型

INGVF是針對主動輪廓模型中的一種外力場——梯度矢量場 （GVF）做的改進(jìn)。GVF是通過最小化能量方程

其中，f 是圖像的邊緣圖；μ 用來調(diào)節(jié)式中第一項和第二項作用范圍的權(quán)重。對式 （1）使用變分法得到對應(yīng)的Euler方程

其中，Δ代表拉普拉斯算子。盡管GVF可以得到較好的邊緣檢測能力，但是僅限于無噪聲或者噪聲很小的情況中。GVF場的噪聲魯棒性極低，當(dāng)圖像存在噪聲的時候，GVF模型會極大的受到噪聲影響而使檢測得到的邊緣很不準(zhǔn)確。另外GVF很難擴散到凹形區(qū)域，因此對凹形區(qū)域的邊緣檢測區(qū)域的邊緣檢測也極不準(zhǔn)確。針對這種情況，Ghita提出了一種新的GVF場，通過最小化能量方程

其中IN（I）定義為噪聲檢測算子

圖1顯示了GVF 和INGVF 在一幅噪聲圖像N（0，0，3），N（0，0，4）不同噪聲等級中的效果。

為了對比GVF 與INGVF 的效果，我們選取相同的GVF和INGVF參數(shù)：μ＝0.2，迭代次數(shù)都為80次。從圖中可以看出，INGVF可以能順利進(jìn)入深度凹陷區(qū)域，對噪聲也很魯棒。

1.2 四階偏微分方程

為了得到較好的去噪效果并有效去除二階偏微分方程中出現(xiàn)的階梯效應(yīng)，You和Kaveh首先提出了基于四階偏微分方程的去噪模型。該模型的建立首先定義了一個關(guān)于圖像灰度拉普拉斯的能量函數(shù)

圖1 GVF和INGVF在噪聲圖像中效果

最小化該函數(shù)通過求解如下歐拉方程得到

該方程將圖像擴散為分段的光滑斜面，所以能有效地去除二階模型中的階梯效應(yīng)并能夠得到較好的去噪效果。但是該模型會過度平滑圖像中的邊緣，導(dǎo)致圖像的邊緣細(xì)節(jié)特征丟失。另外，在去噪過程中會在結(jié)果圖中產(chǎn)生一些孤立的脈沖噪聲，影響視覺效果。

2 基于邊緣檢測的四階擴散模型

首先，對于圖像引入其局部坐標(biāo)系 （η， ξ） ，其中η 代表梯度方向，ξ代表垂直于梯度方向，即邊緣方向。圖像的空間坐標(biāo)系 （x ，y） 與局部坐標(biāo)系 （η， ξ） 的對應(yīng)關(guān)系為

Y－K 模型是一個各向同性的擴散模型，它在梯度方向和邊緣方向進(jìn)行同等程度的擴散。將INGVF 模型引入到Y(jié)－K 模型中，使得改進(jìn)后的模型為各向異性擴散的模型。圖像I（x，y）在方向η和ξ 上求二階導(dǎo)數(shù)可得到

由方程 （6）和方程 （7）可以得出

因此，為了使Y－K 模型可以達(dá)到各向異性的特性，YK 模型可以改寫為

這就是本文提出的基于INGVF的各向異性擴散四階模型。由于INGVF場可以在去噪迭代之前計算出來，因此迭代求解方程（14）時只需要從圖像I中計算出單位梯度矢量，避免了計算二階導(dǎo)數(shù)Iηη所引起的誤差。該模型不僅具有各向異性的特性，而且其數(shù)值計算的穩(wěn)定性也得到了提高。

在方程 （14）中，c1和c2的選取也會影響到模型的去噪效果。當(dāng)c2＝0 時，則方程退化為原始Y－K 模型。當(dāng)c1＜c2時，會使圖像在整個梯度方向進(jìn)行逆擴散，而在邊緣方向進(jìn)行正向擴散，這樣進(jìn)過多次的迭代后會破壞圖像的原始特征。因此，在圖像的整個區(qū)域，我們令c1＞c2，這樣可以保持圖像在整個區(qū)域都沿梯度方向和邊緣方向進(jìn)行正向擴散，并保持沿著梯度方向的擴散小于沿著邊緣方向的擴散程度。從而達(dá)到保護(hù)邊緣的目的。因此，在本文中，我們?nèi)U散系數(shù)c1和c2為

可以通過調(diào)節(jié)k1，k2和m 值的大小來得到最佳的去噪效果。圖2給出了c1和c2隨梯度模的變化關(guān)系，其中，擴散系數(shù)c1和c2的參數(shù)選取為k1＝k2＝3，m＝0.5，這就決定了模型 （14）為各向異性擴散的四階濾波器。

圖2 c1 和c2 隨梯度模的變化關(guān)系

3 實驗結(jié)果

通過兩組實驗來展示模型 （14）的去噪效果和邊緣保護(hù)能力，并和Y－K 模型進(jìn)行比較。模型中參數(shù)取為k1＝k2＝7，m＝0.4，模型 （14）的時間步長是0.03，迭代次數(shù)為300，Y－K 模型的時間步長是0.2，迭代次數(shù)為500。圖像去噪評價方法有很多種［15］，在本文中采用的是評價效果較好的PSNR 和MSSIM 兩種方法，PSNR 的計算公式為

MSSIM 的計算公式為

其中SSIM 是用來比較兩幅圖像的亮度，對比度和結(jié)構(gòu)的相似度，它的計算公式為

其中σx和σy代表圖像x和y的方差。σxy是x和y的協(xié)方差。C1＝ K1（ ）L2，C2＝ K2（ ）L2，其中K1＝0.01，K2＝0.03，L代表圖像灰度值的動態(tài)范圍 （灰度圖像L＝255）。計算結(jié)果的MSSIM 值越大，越接近1，代表去噪之后的圖像與原始無噪聲圖像的相似度越高，去噪效果越好；而MSSIM 值越小，則代表去噪效果較差。

圖3和圖4給出了兩個模型在Lena圖像和Boat上的結(jié)果。圖像大小均為512×512。圖3和圖4中第一行為整幅圖像的去噪結(jié)果，為了更清晰地顯示效果，我們截取了圖像中的一部分放大顯示在圖中的第二行。

圖像中的噪聲均為方差為20的零均值高斯噪聲。從圖3和圖4中均可以看到Y(jié)－K 模型的處理結(jié)果中邊緣細(xì)節(jié)很模糊，同時會有一些斑點噪聲的產(chǎn)生，整體視覺效果也較差。而經(jīng)過本文模型處理的結(jié)果中邊緣細(xì)節(jié)得到了更好地保留，比如在Lena圖像中的羽毛部分，以及Boat圖像中的字符 “LA2ORN”的邊緣都更加清晰。圖3 與圖4 的數(shù)值比較見表1。

圖3 Lena圖像實驗結(jié)果

圖4 Boat圖像實驗結(jié)果

表1 圖3、圖4的PSNR 與MSSIM 的比較

可以看出本文方法可以得到更高的峰值信噪比和平均結(jié)構(gòu)相似度。因此，從視覺效果和數(shù)值比較中都表明了本文模型比Y－K 模型具有更強的去噪效果和邊緣保護(hù)能力。

4 結(jié)束語

將邊緣檢測算法INGVF 場引入到四階Y－K 模型中，提出了基于邊緣檢測的各向異性四階偏微分方程的模型。因為INGVF場引入了噪聲監(jiān)測算子，因此具有更強的噪聲魯棒性，同時具有進(jìn)入深度凹陷區(qū)域強的特點，所以提出的模型提高了抗噪聲和數(shù)值計算穩(wěn)定性。而且該模型具有各向異性擴散的特性，從而有利于保持圖像邊緣細(xì)節(jié)。與Y－K 模型相比，該模型不僅具有更好的去噪效果，而且圖像的邊緣特征保護(hù)能力也得到了提高。

［1］DUAN Jinghong.A new varialbe－coefficient error diffusion method based on image edge detection ［J］.Computer Engineering and Science，2012，34 （7）：120－123 （in Chinese）.［段敬紅.基于圖像邊緣檢測的變系數(shù)誤差擴散方法 ［J］.計算機工程與科學(xué)，2012，34 （7）：120－123.］

［2］CHEN Ying，YAO Heng，DAI Meng.Image colorization based on total variation and partial differential equation ［J］.Computer Engineering and Design，2012，33 （9）：3531－3534 （in Chinese）.［陳穎，姚恒，戴蒙.基于變分法和偏微分方程的圖像彩色化方法 ［J］.計算機工程與設(shè)計，2012，33 （9）：3531－3534.］

［3］WANG Youming，WU Qing，WANG Wenqing.Operator custom－design decoupling algorithm for partial differential equations［J］.Computer Simulation，2013，30 （2）：261－264 （in Chinese）.［汪友明，吳青，王文慶.偏微分方程的算子自定義小波解耦算法研究 ［J］.計算機仿真，2013，30 （2）：261－264.］

［4］Aubert G，Kornprobst P.Mathematical problems in image processing：Partial differential equations and the calculus of variations［M］.2nd ed.New York：Springer，2006.

［5］Liu F，Liu J.Anisotropic diffusion for image denoising based on diffusion tensors ［J］.Journal of Visual Communication and Image Representation，2012，23 （3）：516－521.

［6］FU Jinhui，GUO Dinghui.A application of fourth order partial differential equation in image denoising ［J］.Chinese Journal of Engineer Mathematic，2012，29 （6）：791－798 （in Chinese）.［傅金輝，郭定輝.一個四階偏微分方程在圖像去噪中的應(yīng)用 ［J］.工程數(shù)學(xué)學(xué)報，2012，29 （6）：791－798.］

［7］Li F，Shen C，Liu R，et al.A fast implementation algorithm of TV inpainting model based on operator splitting method ［J］.Computers and Electrical Engineering，2011，37 （5）：782－788.

［8］LIU Xilin，WANG Zewen，QIU Shufang.PDE－based image noise removal models based on Priwitt operator［J］.Computer Applications，2012，32 （12）：3385－3388 （in Chinese）.［劉西林，王澤文，邱淑芳.基于Priwitt算子的偏微分方程圖像去噪模型 ［J］.計算機應(yīng)用，2012，32 （12）：3385－3388.］

［9］ZHANG Fuping，ZHOU Shangbo，ZHAO Can.Novel color image denoising method based on fractional－order partial differential equation ［J］.Application Research of Computers，2013，30 （3）：946－949 （in Chinese）.［張富平，周尚波，趙燦.基于分?jǐn)?shù)階偏微分方程的彩色圖像去噪新方法 ［J］.計算機應(yīng)用研究，2013，30 （3）：946－949.］

［10］WANG Yu，XUE Hong.Applying oriented fourth－order partial differential equations to fluorescence microscopic image denoising ［J］.Computer Engineering and Design，2012，33（8）：3121－3124 （in Chinese）.［王瑜，薛紅.基于方向四 階偏微分方程的熒光顯微圖像去噪 ［J］.計算機工程與設(shè)計，2012，33 （8）：3121－3124.］

［11］ZHANG Yixiong，LI Xiying.Extraction of dumbbell shape object based on GVF and balloon improved model［J］.Computer Engineering and Design，2010，31 （9）：2131－2134 （in Chinese）.［張奕雄，李熙瑩.基于GVF和壓力Snake模型的啞鈴型目標(biāo)提取 ［J］.計算機工程與設(shè)計，2010，31 （9）：2131－2134.］

［12］DONGYE Changlei，ZHENG Yongguo，JIANG Donghuan，et al.SAR image segmentation based on global minimization Chan－Vese model ［J］Computer Engineering and Design，2012，33 （11）：4255－4258 （in Chinese）.［東野長磊，鄭 永果，姜東煥，等.基于全局極小解Chan－Vese模型的SAR 圖像分 割 ［J］. 計 算 機 工 程 與 設(shè) 計，2012，33 （11）：4255－4258.］

［13］ZHOU Liangfen，HE Jiannong.Weak interactive waterside line extraction new algorithm ［J］Computer Engineering and Design，2013，34 （4）：1442－1445 （in Chinese）.［周 良芬，何建農(nóng).弱交互式水邊線提取新算法.［J］.計算機工程與設(shè)計，2013，34 （4）：1442－1445.］

［14］Ghita O，Whelan P F.A new GVF－based image enhancement formulation for use in the presence of mixed noise［J］.Pattern Recognition，2010，43 （8）：2646－2658.

［15］LI Hang，LU Yang，CUI Huijuan，et al.Image quality assessment based on frequency domain based strural similarities［J］Journal of Tsinghua University，2009，49 （4）：559－562 （in Chinese）.［李航，路羊，崔慧娟，等.基于頻域的結(jié)構(gòu)相似度的圖像質(zhì)量評價方法 ［J］.清華大學(xué)學(xué)報，2009，49 （4）：559－562.］