快速分裂Bregman方法[24,25],双重方法[26],和增广拉格朗日方法[28]提出的用于图像恢复的TV模型已成功扩展到VLFM框架下的Chan-Vese模型[20,38],但由于复杂的约束条件,它们不能直接应用于VLSM框架下的Chan-Vese模型|∇ϕ|=1.在本节中,受这些快速算法的启发,我们旨在为Chan-Vese模型设计一些新的快速算法[16]在VLSM框架下无需重新初始化。通过引入两个或三个辅助变量,约束被转换为一个非常简单的投影公式,因此我们提出的快速方法能够避免昂贵的重新初始化过程和演化方程中复杂的曲率出现。因此,所提出的方法比具有更高性能的对应方法更快。
为了清楚地说明问题,我们将传统的Chan-Vese模型(14)和约束(7)重写如下:
(22年a)
接下来,我们将分别介绍每种快速算法。
3.1分裂Bregman投影法
与方程式不同18和19,我们不把约束方程22b直接转化为函数方程22a.相反,我们引入了一个辅助分裂变量替换∇ϕ在TV正则化项中
Ω
|∇ϕ|δ
ϵ
(ϕ)dx公司因此,约束方程22b变为约束和另一个约束已生成。然后,我们使用Bregman距离技术[25]通过引入Bregman迭代参数满足约束条件,所以我们可以转换方程式22a、 b进入以下优化问题:
为了优化上述问题,我们使用迭代技术作为
(23a)
(23b)
哪里θ > 0是一个惩罚参数,和是向量,交替最小化关于ϕ和分别导出欧拉-拉格朗日方程
(24)
(25)
方程24可用半隐式差分格式和高斯-赛德尔迭代法求解,方程的第一个方程25可以表示为以下解析形式的广义软阈值公式
(26)
然后,可以通过以下简单的投影技术来保证:
(27)
注意,在计算投影(27)后,约束精确地保证了约束|∇ϕ|=当演化方程24因为LSF达到了稳定状态。
3.2增广拉格朗日投影法
本部分中提出的ALPM不同于之前的ALM(18)和CALM(20)。这里,我们添加约束在能量泛函中通过增广拉格朗日方法并让约束|∇ϕ|=1作为辅助变量的简单投影与包含八个变量和四个参数的CALM(20)相比,我们的增广拉格朗日投影方法仅由两个辅助变量和一个参数引入θ与第3.1小节类似,我们引入了一个辅助拆分变量这样的话当下列能量泛函方法达到最小值时。
(28年)
(28b)
哪里是拉格朗日乘数θ是一个正惩罚参数。增广拉格朗日方法在最小化过程中通过迭代拉格朗日乘子降低了条件不良的可能性,使数值计算稳定。因此,与以前的惩罚方法(17、19)不同,前者需要一个非常大的惩罚参数来有效地惩罚约束可以保证不增加θ到非常大的值。这里,我们最小化关于ϕ和并最大化关于。min-max问题的鞍点满足以下条件:
(29)
(30)
(31)
可以使用与方程式相同的方法求解方程式2924,和方程的第一个方程30可以使用以下解析形式的广义软阈值公式求解
(32)
然后,方程的第二个方程30可以像等式一样实现27.
3.3双分裂Bregman投影法
对偶方法[26]是近年来提出的另一种用于电视模型图像恢复的快速算法,它已广泛应用于各种图像分割模型[20]在VLFM框架下。方程式中22a、 ()
Ω
|∇ϕ|δ
ϵ
(ϕ)dx公司不是ϕ,但它的等效公式是
Ω
|∇H(H)
ϵ
(ϕ)|dx公司是的总变化H(H)
ϵ
(ϕ). 基于这一观察,我们可以引入对偶变量来代替
Ω
|∇H(H)
ϵ
(ϕ)|dx公司及其对偶公式因此,方程式22a可以重写为以下min-max函数:
(33)
对于约束|∇ϕ|=1(22b),我们首先引入一个辅助变量并添加新约束通过Split-Bregman迭代方法将其转换为(33),其表达式如下
(34)
然后约束|∇ϕ|=1可以由约束替换这样我们就可以方便地使用方程中的投影公式27实际上,向量Bregman迭代参数的影响用于减少对惩罚参数的依赖性θ,与拉格朗日乘数的作用相同λ增广拉格朗日投影法(28a)。Bregman迭代参数可以由更新,其中欧拉-拉格朗日方程ϕ在方程式中34导出为
(35)
之后ϕk个 + 1则我们可以求解通过梯度下降法
(36)
利用半隐式差分格式和Karush-Kuhn-Tucker(KKT)条件[26],我们可以更新,并得到该对偶变量的以下快速迭代公式
(37)
哪里τ ≤ 1/8是一个时间步长,如[26]。
然后,我们可以得到辅助变量的简单分析形式如下:
(38)
最后,我们使用投影公式与方程式相同27为了满足约束.
3.4对偶增广拉格朗日投影法
第3.3小节中的相同思想可以扩展为将对偶方法和第3.2小节中的增广拉格朗日投影方法结合起来,这将导致对偶增广拉格朗日投影法。具体来说,通过引入辅助变量并施加约束,我们可以转换方程式33转化为以下迭代最小化公式:
(39)
约束条件|∇ϕ|=1也可以表示为约束通过使用类似的程序,我们可以得到ϕ如下所示;
(40)
这个更新为与方程式相同38、和是以下分析形式
(41)
然后,我们投影如方程式所示27最后,拉格朗日乘数可以更新如下:
(42)
提出的四种投影方法的优点可以总结如下。(1) :通过引入较少的辅助变量(即两个用于SBPM、ALPM,三个用于DSBPM、DALPM),并考虑TV正则化项之间的关系
Ω
|∇H(H)
ϵ
(ϕ)|dx公司或其等价形式
Ω
|∇ϕ|δ
ϵ
(ϕ)dx公司在方程式中22a和约束项|∇ϕ|=方程式中的122b、 为了巧妙地避免昂贵的重新初始化过程,我们开发了一个非常简单的投影公式(27)。(2) :由于辅助变量较少,所提出的方法不存在许多次极小化和次极大化问题以及惩罚参数,因此实现起来非常简单高效。(3) :提出的快速投影算法的最终欧拉方程仅包括一个简单的欧拉-拉格朗日方程(24,29,35,40)这可以通过快速高斯-赛德尔迭代、解析形式的广义软阈值公式(26,32)、对偶变量的快速迭代公式(37)和非常简单的投影公式(27)来求解。这种技术可以很好地避免计算复杂的曲率,从而提高效率。(4) :所有提出的方法都可以将完整的LSF精确地保留为SDF,而不需要很大的惩罚参数。这是由于引入了Bregman迭代参数(23a,34)和拉格朗日乘子(28a,39)以及投影计算,因此允许使用相对较大的时间步长来加速LSF评估,因为我们将使用半隐式梯度下降流(24,29,35,40)。(5) :即使LSF初始化为分段常量函数,也可以根据投影计算自动精确地进行校正。总之,我们提出的四种投影方法将具有更高的计算效率和更好的SDF保真度,这可以在下一个实验部分进行验证。