分数阶原始对偶去噪模型及其数值算法

分数阶原始对偶去噪模型及其数值算法

Ｅ—ｍａｉｌ：ｊｉｇ＠ｉｒｓａ．ａｃ．ｃｎｗｅｂｓ．ｔｅ：ｗｗＷｌｃ豇ｇ．ｃｎ

１Ｉｅ｜：０１０—６４８０７９９５

中国图象图形学报

ＪＯＵＲＮＡＬｏＦＩＭＡＧＥＡＮＤＧＲＡＰＨＩＣＳ

◎中国图象图形学报版权所有

中图法分类号：ＴＰ７５１．１论文引用格式：Ｔｉａｎ

文献标识码：Ａ

文章编号：１００６—８９６１（２０１４）０６－０８５２一０７

ｄｅｎｏｉｓｉｎｇ［Ｊ］．Ｊｏｕｍａｌ

ｏｆＩｍａｇｅａｎｄＧｒａｐｈ—

Ｄ，ｘｕｅＤＹ，ＹａｎｇＹＪ．Ｆｍｃｔｉｏｎａｌ．０ｒｄｅｒｐｒｉｍａｌ—ｄｕａｌｍｏｄｅｌａｎｄｎｕｍｅｒｉｃａｌａｌｇｏｒｉｔｈｍｆｏｒ

ｉｃｓ，２０１４，１９（６）：８５２—８５８．［田丹，薛定宇，杨雅婕．分数阶原始对偶去噪模型及其数值算法［Ｊ］．中国图象图形学报，２叭４，１９（６）：８５２—８５８．］［ＤＯＩ：１０．１１８３４／ｊ皓２０１４０６０５］

分数阶原始对偶去噪模型及其数值算法

田丹１’２，薛定宇１，杨雅婕２

１．东北大学信息科学与工程学院，沈阳１１０００４；２．沈阳大学信息工程学院，沈阳１１００４４

摘要：目的结合分数阶微积分理论和对偶理论，提出了一种与分数阶ＲＯＦ去噪模型等价的分数阶原始对偶模型。从理论上分析了该模型与具有鞍点结构的优化模型在结构上的相似性，从而可使用求解鞍点问题的数值算法求解该模型。方法使用求解鞍点问题的基于预解式的原始对偶算法对提出模型进行求解，并采用自适应变步长迭代优化策略提高寻优效率，弥补了传统数值算法对步长要求过高的缺陷。同时论证了确保算法收敛性的参数取值范围。结果实验结果表明，提出的分数阶原始对偶模型能够有效地抑制“阶梯效应”，保护纹理和细节信息，同时采用的数值算法具有较快的收敛速度。结论提出了一种分数阶原始对偶去噪模型，该模型可采用一种基于预解式的原始对偶算法进行求解。实验结果表明，提出的模型能有效改善图像的视觉效果，采用的数值算法能有效快速收敛。

关键词：图像去噪；变分法；分数阶梯度；鞍点问题；原始对偶；阶梯效应

Ｆｒａｃｔｉｏｎａｌ－ｏｒｄｅｒ

ｐｒｉｍａｌ ｄｕａｌｍｏｄｅｌａｎｄｎｕｍｅｒｉｃａｌａｌｇｏｒｉｔｈｍｆｏｒｄｅｎｏｉｓｉｎｇ

ＴｉａｎＤａｎｌ广，ＸｕｅＤｉｎｇｙｕｌ，Ｙａｎｇ

Ｙａｊｉｅ２

１１０００４，吼ｉｎｎ

１１００４４，Ｃ＾ｉｎｏ

１．ｓｃ＾ｏｏｚ矿Ｊ恐加ｒｍⅡ￡ｉｏｎ５ｃ据Ｍｅ

ｏｎｄ

Ｅ凡ｇｉｎｅｅ矗增，Ⅳｏｎ矗ｅ邯≠ｅｒｎ‰ｉ睨瑚妙，ｓ＾ｅ７驴增

２．＆＾００２妒Ｊ，毛加ｒｍｏ勘凡Ｅｎｇｉｎｅｅｒｉ增，Ｓ＾ｅｎ妒昭‰ｉ埘碓ｉｏｙ，ｓ矗ｅｎ弘昭

Ａｂｓｔｒａｃｔ：Ｏｂｊｅｃｔｉｖｅ

Ｂｙｃｏｍｂｉｎｉｎｇｆｈｃｔｉｏｎａｌ

ｃａｌｃｕｌｕｓａｎｄｄｕａｌｉｔｙｔｈｅｏｒｙ，

ａ

ｎｏｖｅｌｆｒａｃｔｉｏｎａｌ—ｏｒｄｅｒｐｒｉｍａｌ—ｄｕａｌｍｏｄｅｌ，

ｉｔｓ

ｗｈｉｃｈｉｓｅｑｕｉｖａｌｅｎｔｗｉｔｈｔｈｅｆｈｃｔｉｏｎａｌＲＯＦｍｏｄｅｌ，ｉｓｐｒｏｐｏｓｅｄ．ｓａｄｄｌｅ—ｐｏｉｎｔｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌ．

Ｗｅｔｈｅｏｒｅｔｉｃａｌｌｙａｎａｌｙｚｅ

ｃａｎ

ｓｔｒｕｃｔｕｒａｌｓｉｍｉｌａｒｉｔｙｗｉｔｈｔｈｅ

Ｓｏｔｈｅａｌｇｏｒｉｔｈｍｓｆｏｒｓｏｌｖｉｎｇｔｈｅｓａｄｄｌｅ—ｐｏｉｎｔｐｒｏｂｌｅｍ

ｏｎ

ｂｅｕｓｅｄｆｏｒｓｏｌｖｉｎｇｔｈｅｍｏｄｅｌ．

ＭｅｔｈｏｄＴｈｅｐｒｉｍａｌ—ｄｕａｌａｌｇｏｒｉｔｈｍｂａｓｅｄ

ｍｏｄｅｌ．

ｒｅｓｏｌｖｅｎｔｆｏｒｓｏｌｖｉｎｇｔｈｅｓａｄｄｌｅ—ｐｏｉｎｔｐｒｏｂｌｅｍｉｓｕｓｅｄｆｏｒｓｏｌｖｉｎｇｔｈｅｐｍｐｏｓｅｄ

ｃａｎ

Ｔｈｅａｄ印ｔｉｖｅｖａｒｉａｂｌｅｓｔｅｐｓｉｚｅｉｔｅｒａｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｙｉｓｕｓｅｄ，ｗｈｉｃｈ

ｉｍｐｍｖｅｔｈｅｏｐｔｉｍｉｚｉｎｇｅｍｃｉｅｎｃｙ，

ｔｈｅｃｏｎｖｅｒｇｅｎｃｅｏｆｔｈｅａｌ—

ａｎｄｒｅｍｅｄｙｔｈｅｓｔｅｐｓｉｚｅ１ｉｍｉｔａｔｉｏｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｎｕｍｅｒｉｃａｌａｌｇｏｒｉｔｈｍｓ．Ｉｎｏｒｄｅｒｇｏｒｉｔｈｍ，ｔｈｅｒａｎｇｅｏｆｔｈｅｐａｒａｍｅｔｅｒｉｓｇｉｖｅｎ．

ｔｏ

ｇｕａｒａｎｔｅｅ

ＲｅｓｌｌｌｔＴｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｍｐｏｓｅｄｆｒａｃｔｉｏｎａｌ—ｏｒｄｅｒｐｒｉｍａｌ—

ｔｅｘｔｕｒｅ

ｄｕａｌｍｏｄｅｌｉｓｅｆｋｃｔｉｖｅｉｎａｖｏｉｄｉｎｇｔｈｅｓｔａｉｒｃａｓｅｅｆｆｅｃｔａｎｄｐｒｅｓｅｎ五ｎｇｍｅｒｉｃａｌａｌｇｏｒｉｔｈｍｈａｓｆａｓｔｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄ．

ｉｎｇ

ａｎｄｄｅｔａｉｌｉｎｆｂｒｍａｔｉｏｎ，ａｎｄｔｈｅａｄｏｐｔｉｖｅ

ａ

ｎｕ—

Ｃ佣ｃｌｕｓｉｏｎ

Ｉｎ

ｔｈｉｓｐ印ｅｒ，ｗｅｐｒｏｐｏｓｅ

ｏｎ

ｆｈｃｔｉｏｎａｌ—ｏｒｄｅｒｐｒｉｍａｌ—ｄｕａｌｄｅｎｏｉｓ—

ｍｏｄｅｌ，ｗｈｉｃｈ

ｃａｎ

ｃａｎ

ｂｅｓｏｌｖｅｄｂｙ

ａ

ｐｒｉｍａｌ—ｄｕａｌａｌｇｏｒｉｔｈｍｂａｓｅｄ

ｒｅｓｏｌｖｅｎｔ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄ

ｍｏｄｅｌ

ｉｍｐｍｖｅｔｈｅｉｍａｇｅｖｉｓｕａｌｅｆｋｃｔｅｆｆｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅａｄｏｐｔｉｖｅｎｕｍｅｒｉｃａｌａｌｇｏｒｉｔｈｍｈａｓｆａｓｔｅｒｃｏｎＶｅｒｇｅｎｃｅｓｐｅｅｄ．

ｉｍａｇｅ

Ｋｅｙｗｏｒｄｓ：Ｐｆ怡ｒｔ

ｄｅｎｏｉｓｉｎｇ；

ｖａｒｉａｔｉｏｎ

ｍｅｔｈｏｄ；ｆｒａｃｔｉｏｎａｌ—ｏｒｄｅｒｇｒａｄｉｅｎｔ；ｓａｄｄｌｅ—ｐｏｉｎｔｐＩＤｂｌｅｍ；ｐｒｉｍａｌ—ｄｕａｌ；

ｓｔａｉｒｃａｓｅ

收稿日期：２０１３一ｌＯ一１３；修回日期：２０１４一叭一１４

基金项目：国家自然科学基金项目（６１２０１３７８）；国家级“大学生创新创业训练计划”项目（２０１３１１０３５００６）；辽宁省教育厅科学研究一般项

目（１２叭３４４８）

第一作者简介：田丹（１９８０一），女，讲师，东北大学系统仿真与应用专业在读博士研究生，主要研究方向为数字图像处理、分数阶微积分理论的应用。Ｅ—ｍａｉｌ：ｗｗｗ．ｓｌｔｄ２００８＠１６３．ｃｏｍ

万方数据

分数阶原始对偶去噪模型及其数值算法

０髓３

第１９卷／第６期／２０１４年６月０

引言

图像去噪是数字图像处理领域的重要研究课题之一，其主要目的是改善图像质量，便于图像处理后

续工作的进行。目前，该领域的研究热点和难点之一，是图像噪声和边缘均属于图像中的高频信息，如何寻找既能有效消除噪声，又能同时保留图像边缘等细节特征的去噪方法。为了解决这一问题，１９９２年Ｒｕｄｉｎ等人…提出了著名的全变分正则化模型，又称ＲＯＦ模型。该模型通过引入能量函数，将图像去噪问题转化为泛函求极值问题。所采用的函数空

间允许存在跳跃间断，因此可以较好地保持图像的

边缘。然而该模型建立在有界变差（ＢＶ）空问，而ＢＶ空间的函数具有分段平滑特性，所以去噪后易产生“阶梯效应”，即出现分段平滑现象。近年来，综合考虑具有一阶正则项的ＲＯＦ模型易产生“阶梯效应”，而具有高阶正则项的变分模型虽能抑制“阶梯

效应”，但去噪效果不佳的缺点’２圳，一些学者将分

数阶微分理论引入到变分模型中，以解决该新衍生的问题，取得了较好的效果。例如，ｚｈａｎｇ等人¨１提

出了一种分数阶多尺度图像去噪模型，并采用

Ｃｈａｍｂ０１１ｅ的投影算法∞１求解模型。ｚｈａｎｇ等人＂Ｊ提出了一种分数阶变分图像修复模型，并采用梯度

下降算法旧。求解模型。此外，ｃｈｅｎ等人一１提出了一种分数阶ＴＶ．１２图像去噪模型，并采用Ｂｉｏｕｃａｓ的ＭＭ（ｍａｊｏｒｉｚａｔｉｏｎ－ｍｉｎｉｍｉｚａｔｉｏｎ）算法¨叫求解模型。

本文重点研究分数阶变分图像去噪模型的数值计算。研究发现通过对分数阶ＲＯＦ去噪模型作等价

变换可得到一种分数阶原始对偶去噪模型，该模型在

结构上与具有鞍点结构的优化模型形式相近，可建立对应关系，故可采用一种求解鞍点问题的更为灵活且

收敛速度较陕的原始对偶算法¨“求解。针对算法中

定义的参数，结合分数阶梯度算子的性质，给出了其

取值范围，以保证算法的收敛性。实验结果表明，提

出的分数阶原始对偶模型和现有的分数阶去噪模型具

有相同的特眭，即能有效抑制“阶梯效应”，保留更多的

图像细节特征。同时采用的原始对偶算法与一些现有的求解分数阶问题的变分算法相比，收敛速度更快。

１分数阶原始对偶去噪模型的提出

１．１

ＲＯＦ去噪模型

１９９２年，Ｒｕｄｉｎ、０ｓｈｅｒ和Ｆａｔｅｍｉ提出了著名的

万方数据

田丹，薛定字，杨雅婕／分数阶原始对偶去噪模型及其数值算法

全变分正则化模型，又称ＲＯＦ模型，将图像去噪问题建模为优化问题，表示为

鲤｝㈠ⅦｌＩ。＋害忪一ｇｌ㈦

（１）

式中，ｘ表示有限维向量空间，｜｜ 忆表示秽范数，

Ｖ表示梯度算子，Ｈ表示去噪后图像，ｇ表示观测图

像，Ａ表示正则化参数。

模型中第一项称为正则项，在优化过程中起到

抑制噪声的作用。第二项称为保真项，主要作用是保持去噪后图像与观测图像的相似性，从而保持图像的边缘特征。而正则化参数Ａ用于平衡正则项与保真项的作用。

下面给出正则项离散形式的定义。假定待处理

图像的大小为Ｍ×Ⅳ，则变分模型中梯度算子的离

散化形式为

（沌）。＝（（沌）；”（沌）；。）

（２）

式中

ｃ酬。＝≯厂叱。；篡

ｃ蛾。＝皆一蚝。；■

一

则正则项的离散形式可具体定义为

Ｉｌ沌忆＝∑ｌ（沌）ｉ。ｌ

（４）

式中

ｌ（沌）。Ｊ＝￣／（（沌）；。）２＋（（沌）；，，）２（５）

１．２分数阶ＲｏＦ去噪模型

在分数阶微分理论发展过程中，出现了多种函

数的分数阶微分定义。利用其中的Ｇｍｎｗａｌｄ．Ｌｅｔｎｉ—

ｋｏｖ（Ｇ—Ｌ）定义¨２１构造分数阶梯度算子，其离散形式为

（驴Ｈ）ｉ。＝（（△？比）∽（△；Ｈ）。。）

（６）

式中

（△？比）。。＝∑（一１）‘ｃ池吨，（△；比）ｕ＝∑（一１）‘ｃ；Ｍ。一

耻币嚣‰

（７）（８）

式中，Ｋ表示分数阶梯度算子的展开项数，厂（ ）表

示Ｇａｍｍａ函数。

将ＲＯＦ去噪模型的正则项由一阶扩展到分数

阶可得到分数阶ＲＯＦ去噪模型，其离散形式可表示为

分数阶原始对偶去噪模型及其数值算法

中国图象图形学报

ＪｏＵＲＮＡＬ０Ｆ

ＩＭＡＧＥＡＮＤＧＲＡＰＨＩＣＳ

鲤｝（｜１驴Ｈ忆＋害ＩｌＭ—ｇ旺）

（９）

模型中分数阶正则项的离散形式可具体定义为

Ｉ｜驴比ＩＩ。＝∑１（ＰＨ）“ｌ

（１０）

式中

ｌ（驴Ｈ）。ｊ

ｌ＝￣／（（△？Ⅱ）巧）２＋（（△；Ｈ）ｉＪ）２

（１１）

不难看出，一阶梯度算子是由有限项组成的局

域算子，而分数阶梯度算子是由无限项组成的全局算子，故分数阶ＲｏＦ模型较经典的一阶ＲＯＦ模型考虑了更多的图像邻域信息，能保护更多的图像细

节特征。

１．３分数阶原始对偶去噪模型及其与鞍点优化模型的关系

结合分数阶微积分理论和对偶理论，等价变换分数阶ＲＯＦ去噪模型，提出一种分数阶原始对偶去

噪模型。首先给出分数阶散度的定义：定义１对于任意的２维变量ｐ＝（ｐ１，ｐ２）∈ｙ，ｙ表

示有限维向量空间，分数阶散度的离散形式可定

义为

ｄｉｖ’＝（ｄｉｖ肇）“

（１２）

江１，２，…，Ｍ；，＝１，２，…，Ⅳ

式中

（ｄｉｖ’）ｉ√＝（一１）“∑（一１）‘ｃ融幻＋

（一１）“∑（一１）‘ｃ壤ｍ

（１３）

文献［５］中证明了分数阶ＲＯＦ模型中的分数阶

正则项可作如下等价变换，即

｜｜ＦＨＩｌ——————Ｌ

１＝ｓｕｐ（ｐ，驴Ｈ）ｙ＝

ｓｕｐ（（一１）“ｄｉＶ■，比）ｘ

当且仅当慨√＝￣／（ｐ｝，，）２＋（ｐ乙）２≤１（１４）

式中，（ ）表示共轭运算。

依据该特性提出一种分数阶原始对偶去噪模

型，即分数阶ＲＯＦ去噪模型的原始对偶描述，表

示为

ｍｉ望ｍａ圣（（一１）“ｄｉｖ■，Ｈ）ｘ＋Ｈ

ＥＸ口∈ｙ

≤｝ＪＪ比一ｇＩＪ；一６．Ｄ（ｐ）

（１５）

式中，Ｐ＝｛ｐ∈ｙ㈧ｐＩＩ。＝ｍ寻ｘｈ，√≤１｝表示对偶

空间。艿。（ ）是对偶空间中的指示函数，即分数阶正则项的拓扑对偶，表示为

万方数据

６，ｃｐ，＝｛０＋ｏ。：茎：

ｃ，６，

而分数阶ＲＯＦ图像去噪模型对偶描述的推导，可令式（１５）原始对偶模型中对偶变量ｐ固定，对原

始变量Ｈ求导，得

ｇ一半ｄｉｖ肇

（１７）

再代回到式（１５），可得到对偶问题描述，即

鼍１ａ圣（（（一１）“ｄｉｖ》，ｇ）ｙ—

ｐ—Ｖ

一

‘

六Ｉｌ（一１）“ｄｉｖ肇幔一鄙（ｐ））（１８）

厶几

１一

下面分析提出的分数阶原始对偶去噪模型与具有鞍点结构的优化模型在形式上的相似性。具有鞍

点结构的优化问题可描述为‘１１。

ｍｉｎ

ｍａ）【（（Ａｘ，ｙ）＋Ｇ（ｚ）一Ｆ＋（ｙ））

（１９）

式中，ｘ、ｙ表示有限维实向量空问，（ ， ）表示内积，Ａ表示任意线性算子，Ｇ和Ｆ表示任意函数，Ｆ＋

表示Ｆ的拓扑对偶。

将优化模型中变量戈看成原始变量，变量ｙ看成对偶变量，则可将此鞍点问题看成是如下原始问题和对偶问题的原始对偶描述。其中，原始问题可表示为

ｍｉｎ（Ｆ（Ａｚ）＋Ｇ（ｚ））

（２０）

对偶问题可表示为

ｍａ誊一（Ｇ＋（一Ａ＋ｙ）＋Ｆ＋（ｊ，））

（２１）

不难看出，如将原始问题式（２０）与分数阶ＲＯＦ模型建立对应关系，即令Ｆ（Ａ戈）对应分数阶正则项，Ｇ（戈）对应保真项。则提出的分数阶原始对偶去一

噪模型可与鞍点优化模型建立对应关系，即Ａ＝

ｌ

（一１）“ｄｉｖ“，Ｇ（Ｈ）＝｛｝１Ｉ

Ｈ—ｇ

１｜；，Ｆ＋（ｐ）＝６，（ｐ）。

２

分数阶原始对偶数值算法

针对具有鞍点结构的优化问题，文献［１１］中提

出了一种基于预解式的原始对偶数值计算方法。令

原始变量戈固定，对对偶变量ｙ求导，可得到变量ｙ的预解式为

ｙ＝（Ｊ＋ＶＦ＋）一１（ｊ，＋Ａ工）

（２２）

同理，令对偶变量ｙ固定，对原始变量工求导，

可得到变量ｘ的预解式为

ｚ＝（Ｊ＋ＶＧ）一１（ｚ—Ａｙ）

（２３）

式中，Ｗ４和ＶＧ分别对应函数Ｆ＋和Ｇ的梯度。定

分数阶原始对偶去噪模型及其数值算法

第１９卷／第６期／２０１４年６月

义参数Ｌ＝ｌｌ

Ａ

ｌｌ＝ｍａＸ｛ｌｌ触ｌＩ

ｘ∈ｘ，Ｉ｜ｘｌＩ≤

１｝，则当函数Ｆ＋和Ｇ中至少有一个为凸函数时，算法可描述如下：

１）初始化。给定初始步长丁。＞０，盯。＞０，且满足丁。盯。三２≤１。令（ｚｏ，ｙｏ）∈ｘ×ｙ，；ｏ＝ｚｏ。

２）计算

ｙ“”＝（Ｊ＋盯。Ｗ＋）。１（ｙ“＋盯。Ａ

ｉ”）

工“＋１＝（Ｊ＋丁。ＶＧ）一１（ｚ“一Ｊ『。Ａ４ｙ“＋１）

ｐ。＝１／￣／ｌ＋２ｙ丁。，丁。＋ｌ＝咿。下。，盯。＋１＝盯／ｐ。

【ｉ”＋１＝ｚ“＋１＋ｐ。（工“＋１一ｚ”）

（２４）

３）计算原始对偶间隔，定义为

ｆ（ｚ，ｙ）２熘（（ｙ７，舭）一Ｆ＋（Ｊ，７）＋Ｇ（ｚ））一

毋ｉ已（（ｙ，触’）一Ｆ＋（ｙ）＋Ｇ（ｘ’））

（２５）

当该指标满足给定的迭代终止条件时，迭代终

止；否则，令ｎ＝ｎ＋１，转步骤２）。

不难看出，原始对偶间隔是对偶问题和原始问题的目标函数差值。该差值在鞍点处可达到最小¨１１，故以该指标设定阈值，可保证算法收敛到最

优解。

考虑到提出的分数阶原始对偶去噪模型与具有鞍点结构的优化模型在形式上的相似性，并且去噪

模型中保真项Ｇ（比）＝睾ｌｌⅣ一ｇ忙为凸函数，满足

算法的前提条件，故可采用上述数值算法实现图像去噪的优化过程。该算法实现了自适应变步长迭

代，可有效提高寻优效率，弥补了一些传统数值算法对步长要求过高的缺陷。

在数值算法实现中，需要确定预解算子（Ｊ＋

盯即。）～，（Ｊ＋丁ＶＧ）－１和线性算子Ａ。因为Ｆ＋（ｐ）＝６，（ｐ），Ｇ（“）＝｛｝ｌｌ

Ｈ—ｇ

０；，所以

ｐ＝（Ｊ＋盯Ｗ４）。１（Ｆ）甘

ｐ¨：—ｊ！止一

”

（２６）

ｍａｘ（１，ｌ磊．，Ｊ）Ｈ＝（Ｊ＋ｒＶＧ）一１（五）车亭

ｕ驴刍半导ｕ巧２—ｉｊ广

（２７）Ｌ川Ｊ

式中，Ｆ＝ｐ＋Ｄ。Ａ云，五＝比一租＋ｐ，Ａ＝（一１）。ｄｉｖ“。

万方数据

田丹，薛定宇，杨雅婕／分数阶原始对偶去噪模型及其数值算法

下面具体给出求解提出的分数阶原始对偶去噪

模型的算法流程：

１）初始化。给定初始步长％＞０，盯。＞０，且满足

ｒ

令

比

ｐ

∈

Ｙ

×

ｙ

一距

＝Ｈ

肌∞

ｒ汁≤算

ｐ““＝（ｐ８＋盯。Ａ云“）／ｍａｘ（１，Ｉｐ”＋盯。Ａ云“１）

Ⅱ４＋１＝（比“一７－。Ａ＋ｐ“＋：＋丁。Ａｇ）／（１＋ｒ。Ａ）

ｐ。＝１／以而，丁ｎ＋ｌ＝口。下。，盯ｎ十ｌ＝盯。／９。

云川＝Ｈ川＋臼。（比川一Ｈ“）

（２８）

式中，Ａ＝（一１）。ｄｉｖ“。

３）计算原始对偶间隔，定义如下：

ｆ（Ｈ，ｐ）＝啤ａ蕃（（ｐ７，ＡＨ）一Ｆ＋（ｐ’）＋Ｇ（Ⅳ））一

ｍｉ已（（ｐ，ＡＨ’）一Ｆ＋（ｐ）＋Ｇ（Ｍ’））

（２９）

当该指标满足给定的迭代终止条件时，迭代终止；否则，令ｎ＝ｎ＋１，转步骤２）。

下面考虑算法的收敛性问题，文献［１１］中已给出了收敛性证明，但需满足参数￡的定义，故这里求

取参数Ｌ的取值范围。因为

ＩＩ（一１）。ｄｉＶ’旷＝

∑（埘。ｐ；√＋删ｌｐｌｌ√＋…＋伽Ｋ一１ｐ；＋Ｋ—ｌＪ＋

ＩＪ

，

，

’

、’

。ｕｏｐ：，ｊ＋删１ｐ；，，＋１＋…＋ｚｕｘ一１ｐ；，』＋Ｋ一１）。≤

２Ｋ×∑（训。砖）２＋（伽。盛）２＋（加。山。）２＋

ｔ，ｉ

（侧。ｐ；。＋。）２＋…＋（伽Ｋ一。ｐ：＋Ｋ一。，ｊ）２＋（删。一，ｐ：Ｊ＋。一，）２≤

２Ｋ×（加；＋训；＋…＋训；一。）｜｜ｐ｜｜２≤

所以

７￡＝ＩＡ以雨可可葡了＿而

ｌ＝｜｜（一１）“ｄｉｖ“Ｊ｜≤

（３０）

式中，叫ｉ＝（一１）ｉｃ？，Ｋ表示分数阶散度定义中展开

项的项数。

３数值实验与分析

基于预解式的原始对偶算法中，需要计算分数

阶算子Ａ＝（一１）“ｄｉｖ。的伴随算子Ａ＋，如将图像视

为向量，根据线性代数理论，可得出作用于向量时Ａ

的伴随矩阵等于Ａ的转置。为了方便算法的实现，

分数阶原始对偶去噪模型及其数值算法

圃

ＶＯＩ１９．Ｎ０．６．Ｊｕｎ．２０１４

实验中首先对图像进行向量化处理。即通过逐行扫

描的方式，将图像矩阵转换为列向量，这样对于Ｍ×

Ⅳ的图像，图像矩阵的位置（ｉ，，）对应列向量中的位

置（ｉ一１）×Ⅳ＋Ｊ。

算法参数设定如下，分数阶散度算子中令Ｋ＝２０，算法初始步长盯。＝丁。＝１／￡。为了保证数据项Ｇ（比）的一致凸特性，应满足７＝ｃ×Ａ，其中，ｃ∈（ｏ，１］，这里令ｃ＝０．３５。Ａ表示ＲＯＦ模型的调整参数，即保真项的权值，该值受噪声强度、图像内容、灰度值范围等因素的影响。但对于某一特定图像，只有在某个值的邻域内，去噪效果才会比较好。用试错法进行确定，前提条件是保证去噪图像峰值信噪比

尽可能大。

３．１分数阶原始对偶模型去噪效果的分析

首先，从频域角度分析模型中分数阶次的选取范

围。图１中给出了分数阶微分在几个典型阶次仪下的幅频特性响应曲线。不难看出，随着阶次的增加，

信号的中频和高频成分能有效增强。针对图像，中频成分对应图像的纹理部分，高频成分对应图像的边缘和噪声部分。综合考虑模型对噪声的抑制能力和对

图像细节特征的保护能力，本文选取“∈（１，２）。

（ｆ）ａ＝１．８

图２不同阶次下心脏超声图像去噪效果比较

８

Ｆｉｇ．２

Ｃｏｍｐａｒｉｓｏｎｏｆｄｅｎｏｉｓｅｄｒｅｓｕｌｔｓｕｎｄｅｒ

ｏｎ

ａ

ｄｉⅡ．ｅｒｅｍｏｒｄｅｒｓ

ｃａｒｄｉａｃｕｌｔｒａｓｏｕｎｄｉｍａｇｅ

频率特性分析。

采用峰值信噪比（ＰＳＮＲ）作为量化指标，进行

图１幅频特性响应曲线

Ｆｉ昏１

Ａｍｐｌｉｔｕｄｅ—ｆｒｅｑｕｅｎｃｙｒｅｓｐｏｎｓｅ

评价和定量分析模型的去噪性能。

。燃ｌ（Ｍｏ

ｋｌ。１≤ｉ≤埘。、…，Ｊ。

为了分析模型的去噪性能，首先选取临床心脏

超声图像作为测试图像，定性分析不同分数阶次下，模型的去噪效果，如图２所示。实验中设定迭代次

数ｎ＝２００，调整参数Ａ＝８。

ＰｓＮＲ＝１０１９＿—≠等Ｌ—————一（３１）

赢∑∑［（Ｍ。）ｉ。一“ｉ。］２ＭⅣ台刍“一”Ⅵ

一ｕ。

式中，‰表示无噪声的原始图像，ｕ表示去噪后

图像。

该指标适用于原始图像已知情况下，去噪性能的测试。这里选取标准Ｌｅｎａ图像作为测试图像，并加人均值为０，标准差分别为１０、２０和３０的高斯白噪声。设定实验的迭代次数凡＝２００，比较不同分数

阶次作用下的去噪效果。图３中给出了标准差为

图２中可清晰看出分数阶模型较一阶模型能有

效抑制“阶梯效应”，即分段平滑现象。而与二阶模

型相比，能更有效地去除噪声。随着分数阶次的增

加，图像的细节保护能力能有效增强，但也残留更多

的噪声成分。这一结果符合前面关于分数阶微分的万方数据

分数阶原始对偶去噪模型及其数值算法

圈

第１９卷／第６期／２０１４年６月

田丹，薛定字，杨雅婕／分数阶原始对偶去噪模型及其数值算法

２０时，几个典型阶次作用下，去噪效果图及其局部图的比较。表１中给出了去噪图像峰值信噪比的

比较。

表１不同阶次下去噪图像峰值信噪比的比较

Ｔａｂｌｅ１

ＣｏｍｐａｒｉｓｏｎｏｆＰｓＮＲａｔ

ｄｉ骶ｒｅｎｔ

ｏｒｄｅｒ

／ｄＢ

ｄ

１１．２３２．３１０１３０．３９３１２８．５３５５

１．４３２．３９０５３０．４５１０２８．５９０８

１．６３２．４５６５３０．４８３１２８．７３８１

１．８３２．５６３７

２．０３２．５５０６

１０２０３０

３２．２７５８３０．３８４３２８．３７５３

３０．６呓２弧５６９２

２８．８２８３

２８．７４４１

３．２算法的性能分析和比较

本节定量分析采用的基于预解式的原始对偶算

法的收敛性和收敛速度。首先跟踪模型对应的原始

问题和对偶问题的能量函数差值，即原始对偶间隔的变化情况。从理论上讲，原始对偶间隔等于零时，模型的解可收敛于鞍点，即达到最优解。选取含有均值为０，标准差为３０高斯白噪声的Ｌｅｎａ图像作为测试图像，设置参数Ａ＝８。图４中给出了几个典型分数阶次作用下去噪迭代过程中原始对偶间隔的变化曲线。结果表明，当１＜ｄ≤１．５时，算法能有效快速收敛于鞍点，而当１．５＜“＜２时，算法收敛速度明显减慢。该结论进一步验证了，当分数阶阶次增加时，去噪模型在保护更多图像细节和边缘特征的同

时，也残留了更多的图像噪声，噪声去除能力减弱。

（曲ａ＝１．８的去噪图像（ｈ）ａ＝１．８的去噪图像局部图

图４不同分数阶次时模型的收敛性比较

Ｆｉｇ．４

Ｃｏｍｐａｒｉｓｏｎｏｆｃｏｎｖｅｒｇｅｎｃｅ

图３

Ｆｉｇ．３

典型阶次下去噪效果及其局部效果的比较

Ｃｏｍｐａｒｉｓｏｎｏｆｄｅｎｏｉｓｅｄｒｅｓｕｌｔｓａｎｄｔｈｅｉｒ

ｕｎｄｅｒｄｉｆＩｂｒｅｎｔｆｈｃｔｉｏｎａｌｏｒｄｅｒｓ

ｌｏｃａｌｅｎｌａｒｇｅｍｅｎｔｓｕｎｄｅｒｃｌａｓｓｉｃａｌｏｒｄｅｒｓ

此外，为了说明该算法在变分数值算法中的快

速性优势，将其与一些经典算法进行比较，包括

图３中可清晰看出分数阶较一阶情况能有效抑

ｃｈ砌ｂｏｌｌｅ的投影算法，Ｂｉｏｕｃａｓ的ＭＭ算法和Ｂｅｃｋ

的快速梯度算法¨３１。选取Ｌｅｎａ图像作为测试图像，加入均值为０，标准差（盯）分别为１０、２０和３０的高斯白噪声。表２中给出了当仅＝１．ｏ，Ａ＝８，解的均方根误差占≤１０一时几种变分数值算法的迭代次

数和ＣＰＵ时间的比较。

制“阶梯效应”，并且在发丝部位能明显看出分数阶能保留更多的图像细节特征，但随着分数阶次的增

加，会残留更多的图像噪声。

实验结果表明，峰值信噪比呈现先增大后减小

的变化规律。这验证了选取ｄ范围的合理性。

万方数据

分数阶原始对偶去噪模型及其数值算法

中国图象图形学报

ＪｏＵＲＮＡＬＯＦｌＭＡＧＥＡＮＤＧＲＡＰＨｌＣＳ

表２几种变分算法迭代次数和ＣＰｕ时间（ｆ）的比较

Ｔａｂｌｅ２

Ｃｏｍｐａ—ｓ蚰ｏｆ

ｔｈｅ

ｎ咖ｂｅｒ０ｆ

ｉｔｅｒａｔｉ蛐ｓ

ａｎｄｔｈｅ

ＣＰＵ

ｔｉｍｅｓ彻ｓｅｖｅ瑚ｌ

ｖａ—ａｔｉ＿Ｄｎａｌｇｏ—ｔｈｍｓ

不难看出，本文采用的基于预解式的原始对偶

算法收敛速度明显优于其他测试算法。

由定义可知，一阶梯度算子是由有限项组成的

局域算子，而分数阶梯度算子是由无限项组成的全

局算子，所以分数阶模型的实现在速度上要比一阶情况慢。表３中给出了去噪Ｌｅｎａ图像，当Ａ＝８，解

的均方根误差ｓ≤１０～，在不同分数阶次下分数阶原始对偶算法的迭代次数和ＣＰｕ时间的比较。

表３不同分数阶次下迭代次数和ＣＰＵ时间（ｆ）的比较

Ｔａｂｌｅ３

Ｃｏｍｐａｒｉｓｏｎｏｆ

ｔｈｅ肌ｍｂｅｒｏｆ

ｉｔｅ阳ｔｉｏ璐ａｎｄｔｈｅ

ＣＰＵｔｉｍｅｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｆ｝ａｃｔｉｏｎａｌｏｒｄｅｒ

结果表明，随着分数阶次的增加，算法的收敛速度变慢。这与前面关于原始对偶间隔变化情况的测试结论相一致。

４

结论

提出了一种与分数阶ＲＯＦ去噪模型等价的分

数阶原始对偶去噪模型。它与鞍点优化模型在结构

上具有相似性，故可采用一种求解鞍点问题的原始

对偶数值算法实现。该算法采用自适应变步长迭代，弥补了一些传统数值算法对步长要求过高的缺陷。实验结果表明，提出的分数阶原始对偶模型能

万方数据

ＶＯ｛１９．Ｎ０．６．Ｊｕｎ．２０１４

有效改善图像的视觉效果，抑制“阶梯效应”，保留纹理和细节信息。同时采用的基于预解式的原始对

偶数值算法在特定参数取值范围内能有效收敛，且收敛速度较快。

参考文献（Ｒｅｆｅｒｅｎｃｅｓ）

［１］

ＲｕｄｉｎＬＩ，０ｓｈｅｒｓ，Ｆａｔｅｍｉ

Ｅ．Ｎｏｎｌｉｎｅａｒｔｏｔａｌｖａｒｉａｔｉｏｎｂａｓｅｄｎｏｉｓｅｒｅｍｏｖａｌａ１９０ｒｉｔｈｍｓ［Ｊ］Ｐｈｙｓｉｃａ

Ｄ，１９９２，６０（１４）：２５９一

２６８．

［２］

Ｍａｓｘ，Ｊｉａｎｇｃｓ．Ａ

ｎｅｗ

ｍｅｔｈｏｄｆｏｒｉｍａｇｅｂｌｉｎｄｒｅｓｔｏｒａｔｉｏｎ

ｂａｓｅｄ

ｏｎ

ｆｏｕｒｔｈ—ｏｒｄｅｒ

ＰＤＥ［Ｊ］．Ｊｏｕｍａｌ０ｆＩｍａｇｅａｎｄ

Ｇ憎ｐｈｉｃｓ，

２０１０，１５（１）：２６－３０．［马少贤，江成顺．基于四阶偏微分方程的盲图像恢复模型［Ｊ］．中国图象图形学报，２０ｌＯ，１５（１）：２６－３０．］

［３］

Ｌｉｕｘ，ＨｕａｎｇＬ，Ｇｕｏ

ｚ．Ａｄ印ｔｉｖｅｆｏｕｒｔｈ—ｏｒｄｅｒｐａｒｔｉａｌｄｉｆｋｒｅｎｔｉ—

ａｌｅｑｕａｔｉｏｎｆｉｌｔｅｒｆｏｒｉｍａｇｅｄｅｎｏｉｓｉｎｇ［Ｊ］．Ａｐｐｌ．Ｍａｔｈ．Ｌｅｔｔｅｒｓ，

２０“，２４（８）：１２８２一１２８８．

［４］

ｓｕｎ

Ｊ，ＰａｎｚＫ，ｗｅｉｗＢ，ｅｔａ１．Ｈｉｇｈ—ｏｒｄｅｒｉｍａｇｅｄｉｆｆｈｓｉｏｎ

ｍｏｄｅｌ

ｏｎ

ｉｍｐｌｉｃｉｔ

ｓｕｒｆａｃｅｓ［Ｊ］．ＪｏｕｍａｌｏｆＩｍａｇｅａｎｄＧｍｐｈｉｃｓ，

２０１０，１５（１０）：１４４９一１４５３．［孙军，潘振宽，魏伟波，等．隐式曲面上图像扩散的高阶模型［Ｊ］．中国图象图形学报，２０ｌＯ，１５（１０）：１４４９—１４５３．］

［５］

ｚｈａｎｇ

Ｊ，ｗｅｉｚＨ，ｘｉａｏＬＡｄ叩ｔｉｖｅｆｔａｃｔｉｏｎａｌ—ｏｒｄｅｒｍｕｌｔｉ－ｓｃａｌｅ

ｍｅｔｈｏｄｆｏｒｉｍａｇｅｄｅｎｏｉｓｉ“ｇ［Ｊ］．Ｊ．Ｍａｔｈ．Ｉｍａ舀ｎｇ

Ｖｉｓ．，２０１２，

４３：３９＿４９．

［６］

ｃｈａｍｂｏｌｌｅＡ．Ａｎａ１９０ｒｉｔｈｍｆｏｒｔｏｔａｌｖａｒｉａｔｉｏｎｍｉｎｉｍｉｚａｔｉｏｎａｎｄ

印ｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｊ．ＭａｔｌＬ

ＩｍａｇｉｎｇＶｉｓ．，２００４，２０：８９＿９７．

［７］

ｚｈａｎｇＹ，ＰｕＹＦ，ＨｕＪＲ，ｅｔａｌ＿Ａｃｌａｓｓｏｆｆｈｃｔｉｏｎａｌ—ｏｒｄｅｒ

ｖａｒ－

ｉａｔｊｏｎａｌｉｍａｇｅ

ｉｎｐａｊｎｔｊｎｇ脚ｄｅｌｓ［Ｊ］．

Ａｐｐｌ．

Ｍａｆｈ．Ｉｎ￡

ｓｃｉ．，

２０１２，６（２）：２９９－３０６．

［８］ＶｏｇｅｌｃＲ．ｃｏｍｐｕｔａｔｉｏｎａｌＭｅｔＩｌｏｄｓｆｏｒＩｎｖｅｒｓｅＰｍｂｌｅｍｓ［Ｍ］．

Ｐｈｉｌａｄｅｌｐｈｉａ：ＳＩＡＭ，２００２．

［９］ｃｈｅｎＤ，ｓｕｎｓ，ｚｈ８ｎｇｃ，ｅ￡ａ１．Ｆｒａｃ胁ａｌ—ｏｒｄｅｒＴｖ—ＩＪ２

ｍｏｄｅｌ

ｆｏｒｉｍａｇｅ

ｄｅｎｏｉｓｉｎｇ［Ｊ］．ｃｅｎｔｍｌ

Ｅｕｍｐｅａｎ

ＪｏｕｍａｌｏｆＰｈｙｓｉｃｓ，

２０１３：１＿９．

［１０］

ＦｉｇｕｅｉｒｅｄｏＭＡＴ，Ｂｉｏｕｃａｓ—Ｄｉａｓ

ＪＭ，ＮｏｗａｋＲＤ．Ｍａｊｏｒｉｚａｔｉｏｎ—

ｍｉｎｉｍｊｚａ￡ｉｏｎａｌｇｏｒｉｔｈｍｓｆｏｒｗａｖｅｌｅ卜ｂａｓｅｄｉｍａｇｅｒｅｓ￡ｏｍｔｊｏｎ［Ｊ］．

ＩＥＥＥＴｒａｎｓ．ｏｎＩｍａｇｅ

Ｐｍｃｅｓｓｉｎｇ，２００７，１６（１２）：２９８０—２９９１．

［１１］ｃｈａｍｂｏｌｌｅＡ，ＰｏｃｋＴ．

Ａｆｉｒｓｔ—ｏｒｄｅ。ｐｒｉｍａｌ—ｄｕａｌａ１９０ｄｔｈｍ

ｆｏｒ

ｃｏｎｖｅｘ

ｐｍｂｌｅｍｓｗｉｔｈａｐｐｌｉｃａｔｉｏｎｓｔｏ

ｉｍａｇｉｎｇ［Ｊ］．Ｊ．Ｍａｔｈ．Ｉｍａ一

百“昏Ｖｉｓ．，２０ｌｌ，４０（１）：１２０—１４５．

［１２］

０ｄｌｕｂｎｙＩ．

ＦｒａｃｔｉｏｎａｌＤｉｆｆｅｒｅｎｔｉａｌ

Ｅｑｕａｔｉｏｎｓ［Ｍ］．Ｎｅｗ

Ｙｏｒｋ：

ＡｃａｄｅｍｉｃＰｒｅｓｓ．１９９９．

［１３］

Ｂｅｃｋ

Ａ，ＴｅｂｏｕｌｌｅＭ．

Ｆａｓｔ

ｇｍｄｉｅｎｔ＿ｂａｓｅｄ

ａｌｇｏ血ｈｍｓｆｏｒ

ｃｏｎ—

ｓｔｒａｉｎｅｄ￡ｏ￡ａｌｖａ而ａｔｉｏｎｉｍａｇｅｄｅｎｏｉｓｉｎｇａｎｄｄｅｂｌｕ玎ｉｎｇｐｒｏｂｌｅｍｓ

［Ｊ］．ＩＥＥＥ７Ｉｈｎｓ．ｏｎ

Ｉｍａｇｅ

Ｐｒｏｃｅｓｓｉｎｇ，２００９，１８（１１）：２４１９—

２４３４．

分数阶原始对偶去噪模型及其数值算法

分数阶原始对偶去噪模型及其数值算法

作者：

作者单位：

田丹， 薛定宇， 杨雅婕， Tian Dan， Xue Dingyu， Yang Yajie

田丹,Tian Dan(东北大学信息科学与工程学院,沈阳 110004;沈阳大学信息工程学院,沈阳110044)， 薛定宇,Xue Dingyu(东北大学信息科学与工程学院,沈阳,110004)， 杨雅婕,Yang Yajie(沈阳大学信息工程学院,沈阳,110044)

中国图象图形学报

Journal of Image and Graphics2014,19(6)

刊名：英文刊名：年，卷(期)：

本文链接：/Periodical_zgtxtxxb-a201406005.aspx

本文来源：https://www.bwwdw.com/article/3h81.html