[发明专利]基于全变分最小化的图像优化方法、装置和计算机设备

权利要求书

1.一种基于全变分最小化的图像优化方法，其特征在于包括：

将待优化图像由边缘向外扩展至少两个像素，得到的图像由内到外依次为待优化区域、中心区域和拓展区域，其中，所述拓展区域包括所述中心区域及由所述中心区域边缘向外扩展至少一个像素的图像区域，所述中心区域包括所述待优化区域及由所述待优化区域边缘向外扩展至少一个像素的图像区域，所述待优化区域为待优化图像所在区域；

采用分裂布雷格曼迭代法，基于所述拓展区域内各像素点的灰度初始值、拉格朗日乘子初始值、惩罚参数，对所述中心区域内各像素点的灰度值、收缩因子、拉格朗日乘子进行交替迭代计算，直至满足迭代停止要求，得到所述中心区域内各像素点的灰度优化值。

2.根据权利要求1所述的图像优化方法，其特征在于，采用分裂布雷格曼迭代法，基于所述拓展区域内各像素点的灰度初始值、拉格朗日乘子初始值、惩罚参数，对所述中心区域内各像素点的灰度值、收缩因子、拉格朗日乘子进行交替迭代计算包括：

初始化计算得到所述中心区域内各像素点的灰度第1次迭代值、收缩因子初始值、拉格朗日乘子第1次迭代值；

基于所述中心区域内各像素点的灰度初始值、灰度第k+1次迭代值、拉格朗日乘子第k次迭代值和第k+1次迭代值，迭代计算所述像素点的灰度第k+2次迭代值；

基于所述像素点的灰度第k+2次迭代值的梯度值和拉格朗日乘子第k+1次迭代值，迭代计算所述像素点的收缩因子第k+1次迭代值；

基于所述像素点的收缩因子第k+1次迭代值、灰度第k+2次迭代值的梯度值、拉格朗日乘子第k+1次迭代值、惩罚参数，迭代计算所述像素点的拉格朗日乘子第k+2次迭代值，其中k＝0，1，2…。

3.根据权利要求2所述的图像优化方法，其特征在于，基于所述中心区域内各像素点的灰度初始值、灰度第k+1次迭代值、拉格朗日乘子第k次迭代值和第k+1次迭代值，迭代计算所述像素点的灰度第k+2次迭代值包括：

基于所述像素点的灰度初始值、灰度第k+1次迭代值得到灰度迭代值的保真项；基于所述像素点及其左、上方相邻像素点的拉格朗日乘子第k次和第k+1次迭代值得到灰度迭代值的正则化项；基于所述保真项和正则化项得到所述像素点的灰度第k+2次迭代值。

4.根据权利要求3所述的图像优化方法，其特征在于，基于所述像素点的灰度初始值、灰度第k+1次迭代值得到灰度迭代值的保真项；基于所述像素点及其左、上方相邻像素点的拉格朗日乘子第k次和第k+1次迭代值得到灰度迭代值的正则化项；基于所述保真项和正则化项得到所述像素点的灰度第k+2次迭代值包括：

其中，为保真项；为正则化项；U^k+2(i,j)为所述中心区域内像素点的灰度第k+2次迭代值；U⁰(i,j)为所述像素点的灰度初始值；U^k+1(i,j)为所述像素点的灰度第k+1次迭代值；为所述像素点的左方相邻像素点拉格朗日乘子的x方向第k次迭代值；为所述像素点的上方相邻像素点拉格朗日乘子的y方向第k次迭代值；为权重参数。

5.根据权利要求4所述的图像优化方法，其特征在于，τ的值等于4。

6.根据权利要求2所述的图像优化方法，其特征在于，基于所述像素点的收缩因子第k+1次迭代值、灰度第k+2次迭代值的梯度值、拉格朗日乘子第k+1次迭代值、惩罚参数，迭代计算所述像素点的拉格朗日乘子第k+2次迭代值包括：

当所述像素点的收缩因子第k+1次迭代值大于惩罚参数的倒数时，根据所述像素点的灰度第k+2次迭代值的梯度值、拉格朗日乘子第k+1次迭代值、收缩因子第k+1次迭代值、惩罚参数，获取所述像素点的拉格朗日乘子的第k+2次迭代值；

当所述像素点的收缩因子第k+1次迭代值小于或等于惩罚参数的倒数时，根据所述像素点的灰度第k+2次迭代值的梯度值、拉格朗日乘子第k+1次迭代值，获取所述像素点的拉格朗日乘子的第k+2次迭代值。