Afraites，L.公司。;A.哈德里。;拉赫里布，A。 一种适用于脉冲和高斯噪声的去噪模型，使用约束-PDE。 （英语） Zbl 1507.49018号 反向探测。 36，第2号，文章ID 025006，40页（2020年）. 摘要：在去噪问题中，总是很难处理两种噪声密度的混合。在本文中，我们引入了一种基于分数阶张量扩散的非线性约束-PDE来逼近干净图像以及高斯和脉冲噪声混合中的脉冲分量。我们的模型在边缘保留、楼梯创建和图像对比度损失之间提供了一个理想的折衷方案。提出的约束-PDE是使用一个变分模型来表示的，该变分模型具有编码脉冲噪声的（L^1）数据差异和干净图像的（L~2）项，这是高阶PDE的解。然后，在适当的函数框架中对提出的模型解的存在性进行严格分析。此外，为了求解有约束的偏微分方程，我们考虑了原对偶算法对非线性算子的一个推广，并使用了一个加速的Bregman迭代。数值实验表明，与一些竞争正则化方法相比，该模型在恢复质量和求解效率方面取得了令人满意的结果。 引用于12文件 MSC公司： 49K20型 偏微分方程问题的最优性条件 49N25号 脉冲最优控制问题 94甲12 信号理论（表征、重建、滤波等） 关键词：图像去噪;（L^1）和（L^2）的最小化;原对偶算法;Bregman迭代;脉冲和高斯噪声 软件：DnCNN公司;FFD网络;nlpdegm公司;RecPF公司 PDF格式BibTeX公司 XML格式引用 \textit｛L.Afraites｝等人，反向问题。36，第2号，文章ID 025006，40 p.（2020；Zbl 1507.49018） 全文： 内政部 参考文献： [1] Allard W K 2007图像去噪的全变分正则化，I.几何理论SIAM J.数学。分析39 1150-90·Zbl 1185.49047号 ·数字对象标识代码：10.1137/060662617 [2] Aubert G和Kornprobst P 2006图像处理中的数学问题：偏微分方程和变分法第147卷（纽约：Springer）·Zbl 1110.35001号 ·doi:10.1007/978-0-387-44588-54 [3] Aubin J P 1963《联合国竞争法》（Un the oreme de compacitéC.R.Acad.）。科学。，巴黎256 5042-4·Zbl 0195.13002号 [4] Bai J和Feng X C 2007分数阶各向异性扩散用于图像去噪IEEE Trans。图像处理16 2492-502·Zbl 1119.76377号 ·doi:10.1109/TIP.2007.904971 [5] Baus F、Nikolova M和Steidl G 2014完全平滑了1个电视模型：最小值的界限和参数选择J.Math。成像视力48 295-307·Zbl 1292.49036号 ·doi:10.1007/s10851-013-0420-0 [6] Beckouche S、Starck J L和Fadili J 2013使用字典学习Astron进行天文图像去噪。天体物理学.556 A132·doi:10.1051/0004-6361/201220752 [7] Beinert R和Bredies K 2018利用张量提升反问题对双线性和二次反问题进行非凸正则化35 015002·Zbl 1410.65430号 ·doi:10.1088/1361-6420/aaea43 [8] Benning M和Burger M 2018反问题的现代正则化方法Acta Numer.27 1-111·兹比尔1431.65080 ·doi:10.1017/S0962492918000016 [9] Benning M、Brune C、Burger M和Müller J 2013通过bregman迭代J.Sci增强高阶电视方法。计算54 269-310·Zbl 1308.94012号 ·数字对象标识代码：10.1007/s10915-012-9650-3 [10] Bertero M、Boccacci P和Robberto M 2003二阶差分算子反演及其在红外天文反演问题中的应用19 1427·Zbl 1050.65042号 ·doi:10.1088/0266-5611/19/6/011 [11] Biros G和Ghattas O 2005并行Lagrange-Newton-Krylov-Schur方法用于pde-constrained优化。第一部分：Krylov-Schur解算器SIAM J.Sci。计算27 687-713·Zbl 1091.65061号 ·doi:10.1137/S106482750241565X [12] Bonettini S，Cornelio A和Prato M 2013一种新的基于傅立叶的图像恢复半盲去卷积方法：在天文学中的应用SIAM J.Imaging Sci.6 1736-57·Zbl 1282.94010号 ·doi:10.137/120873169 [13] Bredies K、Kunisch K和Pock T 2010总广义变异SIAM J.成像科学3 492-526·Zbl 1195.49025号 ·doi:10.1137/090769521 [14] Brezis H 1983 Analyse Fonctionnelle（巴黎：马森）·Zbl 0511.46001号 [15] Brinkmann E M、Burger M和Grah J S 2019成像中二阶电视类型调节的统一模型：基于矢量算子J.Math的新视角。成像视力61 571-601·Zbl 1494.94004号 ·doi:10.1007/s10851-018-0861-6 [16] Burger M、Papafitsoros K、Papoutselis E和Schönlieb C B 2016 bv和lp空间的Infinal卷积正则泛函J.Math。成像视力55 343-69·Zbl 1342.49014号 ·doi:10.1007/s10851-015-0624-6 [17] Cai J F、Chan R H和Nikolova M 2008脉冲加高斯噪声图像反问题成像中去模糊图像的两阶段方法·Zbl 1154.94306号 ·doi:10.3934/ipi.2008.2.187 [18] Cai J F，Osher S和Shen Z 2009 Split bregman方法和基于帧的图像恢复多尺度模型。模拟8 337-69·Zbl 1189.94014号 ·doi:10.1137/090753504 [19] Calatroni L和Papafitsoros K 2019混合高斯和椒盐噪声去除变分模型的分析和自动参数选择反问题35 114001·Zbl 1426.49027号 ·doi:10.1088/1361-6420/ab291a [20] Calatroni L、De Los Reyes J C和Schonlieb C B 2017混合噪声去除数据差异的Infinal卷积SIAM J.Imaging Sci.10 1196-233·Zbl 1412.94005号 ·doi:10.1137/16M1101684 [21] CattéF、Lions P L、Morel J M和Coll T 1992图像选择性平滑和非线性扩散边缘检测SIAM J.Numer。分析29 182-93·Zbl 0746.65091号 ·doi:10.1137/0729012 [22] Chambolle A 2004总变异最小化算法及其应用J.数学。成像视力20 89-97·Zbl 1366.94048号 ·doi:10.1023/B:JMIV.0000011320.81911.38 [23] Chan T、Marquina A和Mulet P 2000基于高阶全变量的图像恢复SIAM J.Sci。计算22 503-16·Zbl 0968.68175号 ·doi:10.1137/S1064827598344169 [24] Chan T F和Esedoglu S 2005总变分方面正则化l 1函数近似SIAM J.Appl。数学65 1817-37·Zbl 1096.94004号 ·doi:10.1137/040604297 [25] Chen D，Chen Y和Xue D 2015基于近似算法Appl的分数阶全变分图像去噪。数学。计算257 537-45·兹比尔1338.68273 ·doi:10.1016/j.amc.2015.01.012 [26] Chupraphawan S和Ratanamahatana C A 2019带边缘特征的深度卷积神经网络用于图像去噪国际计算与信息技术会议第169-79页 [27] Chupraphawan S等人2019利用深度学习和边缘特征对高斯噪声进行图像去噪朱拉隆功大学博士论文 [28] Clason C和Jin B 2012脉冲噪声非线性参数识别问题的半光滑牛顿法SIAM J.Imaging Sci.5 505-36·Zbl 1250.65134号 ·doi:10.1137/110826187 [29] Clason C和Valkonen T 2017非线性非光滑偏微分约束优化的原始-对偶外梯度方法SIAM J.Optim.27 1314-39·Zbl 1369.49040号 ·doi:10.1137/16M1080859 [30] CoupéP、Yger P、Prima S、Hellier P、Kervrann C和Barillot C 2008三维磁共振图像的优化块非局部意味着去噪滤波器IEEE Trans。医学成像27 425-41·doi:10.1109/TMI.2007.906087 [31] Dabov K，Foi A，Katkovnik V和Egiazarian K 2007通过稀疏三维变换域协同过滤IEEE Trans对图像进行去噪。图像处理16 2080-95·doi:10.1109/TIP.2007.901238 [32] Dasgupta A、Chakraborty S和Routray A 2017生物眼电图信号去噪的两阶段框架。信号处理。控制31 231-7·doi:10.1016/j.bspc.2016.08.012 [33] Dautray R和Lions J 1992科学技术的数学分析和数值方法：进化问题（纽约：Springer）·Zbl 0755.35001号 [34] De Los Reyes J C和Kunisch K 2005 Navier-Stokes方程控制约束边界最优控制的半光滑牛顿法非线性分析：理论方法应用62 1289-316·Zbl 1080.49024号 ·doi:10.1016/j.na.2005.04.035 [35] De los Reyes J C和Schönlieb C B 2013图像去噪：通过非光滑约束优化学习噪声模型反问题成像7 1183-214·Zbl 1283.49005号 ·doi:10.3934/ipi.2013.7.1183 [36] Durand S和Nikolova M 2007使用l1数据精度项和边缘保持正则化多尺度模型对帧系数进行去噪。模拟6 547-76·Zbl 1147.49025号 ·数字对象标识码：10.1137/06065828X [37] Durand S、Fadili J和Nikolova M 2010使用帧系数的l1保真度去除乘法噪声J.数学。成像视力36 201-26·Zbl 1523.94007号 ·doi:10.1007/s10851-009-0180-z [38] El Mourabit I、El Rhabi M、Hakim A、Laghrib A和Moreau E 2017多帧超分辨率图像重建信号处理的新型去噪模型。132 51-65·doi:10.1016/j.sigpro.2016.09.014 [39] Fu H，Ng M K，Nikolova M和Barlow J L 2006图像恢复中混合l2−l1和l1-l1范数的有效最小化方法SIAM J.Sci。计算27 1881-902·Zbl 1103.65044号 ·doi:10.1137/040615079 [40] Gilboa G和Osher S 2008非局部算子及其在图像处理多尺度模型中的应用。模拟7 1005-28·Zbl 1181.35006号 ·doi:10.1137/070698592 [41] Goldstein T和Osher S 2009用于l1-正则化问题的分裂bregman方法SIAM J.成像科学2 323-43·Zbl 1177.65088号 ·doi:10.1137/080725891 [42] González M M、Ramos A A、Carroll T、Kopf M、Vélez J R和Semel M 2008 Pca对极化恒星光谱Astron中塞曼特征的检测和去噪。天体物理学486 637-46·doi:10.1051/0004-6361:200809719 [43] 顾S、张磊、左伟和冯X 2014加权核范数最小化及其在图像去噪过程中的应用。IEEE计算机视觉和模式识别会议第2862-9页 [44] Hintermuller M和Langer A 2013图像处理中具有混合l1/l2数据完整性的一类非光滑和非加性凸变分问题的子空间校正方法SIAM J.成像科学6 2134-73·Zbl 1279.68327号 ·doi:10.1137/120894130 [45] Hinze M、Pinnau R、Ulbrich M和Ulbrich-S 2008《PDE约束优化》第23卷（纽约：Springer）·Zbl 1167.49001号 [46] Hiriart-Urruti J B和Lemaréchal C 2012凸分析基础（纽约：Springer） [47] Ito K和Kunisch K 2003状态约束最优控制问题系统的半光滑牛顿方法。控制函50 221-8·Zbl 1157.49311号 ·doi:10.1016/S0167-6911（03）00156-7 [48] Johansen T A 1997论非线性系统辨识中的tikhonov正则化、偏差和方差自动机33 441-6·Zbl 0873.93024号 ·doi:10.1016/S0005-1098（96）00168-9 [49] Knoll F、Bredies K、Pock T和Stollberger R 2011年磁共振成像磁共振成像二阶总广义变异（tgv）。Reson公司。医学65 480-91·doi:10.1002/mrm.22595 [50] Komprobst P、Deriche R和Aubert G 1997通过pde的Proc进行图像耦合、恢复和增强。图像处理国际会议第2卷第458-61页·doi:10.1109/ICIP.1997.638807 [51] Laghrib A、Ezzaki M、El Rhabi M、Hakim A、Monasse P和Raghay S 2018使用二阶变分方法同时反褶积和去噪，应用于图像超分辨率计算。视觉。图像理解168 50-63·doi:10.1016/j.cviu.2017.08.007 [52] Lellmann K S C，Papafitsoros J和Spector D 2015非局部麻黄SIAM J.成像科学8 2161-202的分析和应用·Zbl 1330.94010号 ·数字对象标识代码：10.1137/140993818 [53] Manjón J V、CoupéP、Martí-BonmatíL、Collins D L和Robles M 2010自适应非局部意味着用空间变化的噪声水平J.Magn对mr图像进行去噪。Reson公司。想象31 192-203·doi:10.1002/jmri.22003年 [54] Melnik V 2000用于混合噪声环境中图像滤波和恢复的非线性局部自适应技术博士论文 [55] Nikolova M 2002涉及非光滑数据完整性条款的成本函数最小化。应用于处理异常值SIAM J.Numer。分析40 965-94·Zbl 1018.49025号 ·doi:10.1137/S0036142901389165 [56] Osher S，SoléA和Vese L 2003使用总变差最小化和h多尺度模型进行图像分解和恢复。模拟1 349-70·Zbl 1051.49026号 ·doi:10.1137/S1540345902416247 [57] Papafitsoros K和Bredies K 2015一维全广义变差调节问题反问题成像研究9 511-50·Zbl 1336.49044号 ·doi:10.3934/ipi.2015.9.511 [58] Papafitsoros K和Schönlieb C B 2014 A结合了一阶和二阶变分方法用于图像重建J.Math。成像视力48 308-38·Zbl 1362.94009号 ·doi:10.1007/s10851-013-0445-4 [59] Rabie T F 2004数字摄影用高iso长曝光传感器噪声的自适应混合平均值和中值滤波J.Electron。图像13 264-78·doi:10.1117/1.1668279 [60] Rudin L I、Osher S和Fatemi E 1992非线性全变分噪声去除算法Physica D 60 259-68·Zbl 0780.49028号 ·doi:10.1016/0167-2789（92）90242-F [61] Shieh T T和Spector D E 2015关于一类新的分数阶偏微分方程高级微积分变分8 321-36·Zbl 1330.35510号 ·doi:10.1515/acv-2014-0009 [62] Shieh T T和Spector D E 2018关于一类新的分数阶偏微分方程II高级微积分变分11 289-307·Zbl 1451.35257号 ·doi:10.1515/acv-2016-0056 [63] Simon J 1987压缩集空间lp（0，t；b）Ann.Mat.Pura Appl.46 65-96·Zbl 0629.46031号 ·doi:10.1007/BF01762360 [64] Ulbrich M 2002函数空间中算子方程的半光滑牛顿法SIAM J.Optim.13 805-41·Zbl 1033.49039号 ·doi:10.1137/S1052623400371569 [65] Ulbrich M 2011函数空间变分不等式和约束优化问题的半光滑牛顿方法第11卷（宾夕法尼亚州费城：SIAM）·Zbl 1235.49001号 ·doi:10.1137/1.9781611970692 [66] Valkonen T、Bredies K和Knoll F 2013扩散张量成像的总广义变化SIAM J.成像科学6 487-525·Zbl 1322.94024号 ·doi:10.1137/120867172 [67] Wang Y，Yang J，Yin W和Zhang Y 2008全变分图像重建的一种新的交替最小化算法SIAM J.Imaging Sci.1 248-72·Zbl 1187.68665号 ·doi:10.1137/080724265 [68] Weickert J 1998图像处理中的各向异性扩散第1卷（斯图加特：特乌布纳）·Zbl 0886.68131号 [69] Xu L，Wang C，Chen W和Liu X 2014通过低秩矩阵分解对并行mri中的多通道图像进行去噪IEEE Trans。申请。超导体24 1-5·doi:10.1109/TASC.2014.2332232 [70] Yan M 2013使用盲修复修复被脉冲噪声和混合高斯脉冲噪声破坏的图像SIAM J.Imaging Sci.6 1227-45·Zbl 1281.65045号 ·doi:10.1137/12087178X [71] Zhang J和Chen K 2015非均匀边界条件下图像恢复的总分数阶变分模型及其数值解SIAM J.Imaging Sci.8 2487-518·Zbl 1327.62388号 ·数字对象标识码：10.1137/14097121X [72] Zhang K，Zuo W，Chen Y，Meng D和Zhang L 2017超越高斯去噪器：用于图像去噪的深度cnn残差学习IEEE Trans。图像处理26 3142-55·Zbl 1409.94754号 ·doi:10.1109/TIP.2017.2662206 [73] Zhang K，Zuo W，Gu S和Zhang L 2017《图像恢复前学习深度cnn去噪程序》。IEEE计算机视觉和模式识别会议第3929-38页 [74] Zhang K、Zuo W和Zhang L 2018 Ffdnet：基于cnn的图像去噪IEEE Trans的快速灵活解决方案。图像处理27 4608-22·doi:10.1109/TIP.2018.2839891 [75] Zhou Z，Guo Z，Dong G，Sun J，Zhang D和Wu B 2015基于灰度指示器的双简并扩散模型，用于乘法噪声去除IEEE Trans。图像处理24 249-60·Zbl 1408.94848号 ·doi:10.1109/TIP.2014.2376185 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。