论文部分内容阅读
随着计算机科学的快速发展,人们对数字图像处理的需求也日趋扩大,常见的图像去噪算法包括各种自适应中值滤波算法、小波阈值算法、基于偏微分方程方法、总变分最小化算法、非局部均值滤波算法,等等。图像去噪是图像处理的预处理过程,是图像处理的一个重要分支。偏微分方程方法是图像去噪的一个热门研究领域,受到国内外学者的广泛关注。在众多方法中,各向异性扩散模型已成为一个广受关注的偏微分方程图像去噪方法。熵在概率论、信息论、物理、图像等领域都有重要应用,并且取得很多重要的研究成果。其中, Tsallis熵在图像处理多个领域得到了广泛的应用,如图像阈值分割,图像匹配等。Tsallis熵是香农熵的推广,并具有如下性质:1)孤立的噪声对局部Tsallis熵值影响很小。2)图像细节处的局部Tsallis熵值较高。本学位论文主要做了以下的研究:各向异性扩散模型中,扩散系数决定模型扩散的程度,它是关于图像梯度的函数,在梯度大的地方,扩散系数小,在梯度较小的地方,扩散系数大。因此,该模型能够在平滑图像的时候,保留图像的边缘。但是,该模型也存在一些不足,它只利用了图像梯度信息,对于图像纹理,弱细节不能很好地保持。针对这个问题,该文结合图像Tsallis熵值在图像的平滑区域和边缘处熵值有差异的性质,提出结合Tsallis熵的各向异性扩散模型,新模型的扩散系数不仅依赖于图像梯度,而且利用了图像局部Tsallis熵,实验表明:新模型对于去噪后的图片能较好的保留图像的细节和弱边缘,并且具有很好的去噪性能。