自适应全变分模型的图像平滑去噪与边缘保留算法

使用MATLAB实现的基于自适应全变分（Adaptive Total Variation, ATV）模型的图像平滑去噪与边缘保留算法。该模型通过自适应调整正则化参数，在平滑区域增强去噪效果，同时在边缘区域减少平滑以保留细节。

function denoised_image = adaptive_tv_denoise(noisy_img, lambda0, k, n_iter, dt, epsilon)
% 参数说明:
%   noisy_img: 噪声图像 (灰度图像)
%   lambda0: 全局正则化参数 (建议值: 0.05~0.2)
%   k: 边缘敏感参数 (建议值: 0.01~0.1)
%   n_iter: 迭代次数 (建议值: 50~200)
%   dt: 时间步长 (建议值: 0.01~0.05)
%   epsilon: 避免除零的小常数 (默认: 1e-6)if nargin < 6epsilon = 1e-6;
end% 初始化输出图像
u = double(noisy_img);% 计算噪声图像的梯度 (用于自适应参数)
[Gx, Gy] = forward_gradient(noisy_img);
G_mag = sqrt(Gx.^2 + Gy.^2);% 计算自适应正则化参数图 (边缘处值小，平滑区域值大)
lambda_map = lambda0 ./ (1 + (G_mag.^2) / k^2);% 迭代求解
for iter = 1:n_iter% 计算当前图像的梯度[ux, uy] = forward_gradient(u);% 计算梯度幅度grad_mag = sqrt(ux.^2 + uy.^2 + epsilon);% 计算扩散系数 (c = lambda_map / |grad u|)c = lambda_map ./ grad_mag;% 计算散度项 div(c * grad u)div_term = backward_divergence(c .* ux, c .* uy);% 梯度下降更新u = u - dt * (2*(u - noisy_img) - div_term);% 可选：显示迭代进度if mod(iter, 50) == 0fprintf('Iteration %d/%d\n', iter, n_iter);end
enddenoised_image = uint8(clip(u, 0, 255));end% 前向差分计算梯度
function [dx, dy] = forward_gradient(u)dx = [diff(u, 1, 2), zeros(size(u, 1), 1)];dy = [diff(u, 1, 1); zeros(1, size(u, 2))];
end% 后向差分计算散度
function div = backward_divergence(vx, vy)div_x = [vx(:,1), diff(vx, 1, 2)];div_y = [vy(1,:); diff(vy, 1, 1)];div = div_x + div_y;
end% 数值裁剪
function x = clip(x, min_val, max_val)x(x < min_val) = min_val;x(x > max_val) = max_val;
end

使用

% 读取图像并添加高斯噪声
clean_img = imread('cameraman.tif');
noisy_img = imnoise(clean_img, 'gaussian', 0, 0.01);% 设置参数
lambda0 = 0.1;   % 正则化强度
k = 0.05;        % 边缘敏感度
n_iter = 100;    % 迭代次数
dt = 0.03;       % 时间步长% 执行去噪
denoised = adaptive_tv_denoise(noisy_img, lambda0, k, n_iter, dt);% 显示结果
figure;
subplot(131); imshow(clean_img);     title('原始图像');
subplot(132); imshow(noisy_img);     title('噪声图像');
subplot(133); imshow(denoised);      title('ATV去噪结果');

参数选择建议：

1. lambda0：控制整体平滑强度

   • 值越大 → 平滑效果越强（可能损失细节）
   • 典型范围：0.05~0.2

2. k：控制边缘敏感度

   • 值越小 → 边缘保留越强
   • 典型范围：0.01~0.1

3. n_iter：迭代次数

   • 值越大 → 收敛越好，但计算时间增加
   • 典型范围：50~200

4. dt：时间步长

   • 过大导致不稳定，过小收敛慢
   • 需满足稳定性条件：dt ≤ 0.25/max(lambda_map)
   • 典型范围：0.01~0.05

参考代码 bregman matlab兼顾图像平滑去噪与边缘保留的自适应全变分模型 www.youwenfan.com/contentcsh/97511.html

算法特点：

1. 自适应正则化：根据局部梯度动态调整平滑强度

   • 平滑区域：高正则化 → 强去噪
   • 边缘区域：低正则化 → 保留细节

2. 边缘保留：通过$1/(1+|\nabla f{|}^2/k^2)$项在边缘处降低平滑强度

3. 全变分优势：保持图像分段光滑特性，避免阶梯效应

数学原理：

最小化能量泛函：
$$\underset{u}{\min }{\int }_{\Omega }\left((u-f{)}^2+\lambda (x)|\nabla u|\right)dx$$
其中自适应参数：
$$\lambda (x)=\frac{{\lambda }_0}{1+\frac{|\nabla f{|}^2}{k^2}}$$

梯度下降求解：
$$\frac{\partial u}{\partial t}=2(f-u)+\nabla \cdot \left(\lambda (x)\frac{\nabla u}{|\nabla u|}\right)$$

此实现通过前向/后向差分保持数值稳定性，并在梯度计算中加入小常数ε避免除零错误。