在图像复原过程中,图像上的一点点噪声可能就会对复原的结果产生非常大的影响,因为很多复原算法都会放大噪声。这时候我们就需要在最优化问题的模型中添加一些正则项来保持图像的光滑性,TV是常用的一种正则项。
举个栗子。本来要求解的最优化问题的模型是这样的:
现在给它加上这样的一个TV正则项(就是 o 的梯度的1范数再加个系数lambda):
现在模型变成了这样:
其中TV项对 o 求导的结果是这样的:
看一下加了TV正则项以后的图像复原结果和不加的差异
在图像复原过程中,图像上的一点点噪声可能就会对复原的结果产生非常大的影响,因为很多复原算法都会放大噪声。这时候我们就需要在最优化问题的模型中添加一些正则项来保持图像的光滑性,TV是常用的一种正则项。
举个栗子。本来要求解的最优化问题的模型是这样的:
现在给它加上这样的一个TV正则项(就是 o 的梯度的1范数再加个系数lambda):
现在模型变成了这样:
其中TV项对 o 求导的结果是这样的:
看一下加了TV正则项以后的图像复原结果和不加的差异
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/564042.html
如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!