[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

说明书

本申请涉及一种基于全变分最小化的图像优化方法、装置和计算机设备，其中，该方法包括：将待优化图像由边缘向外扩展至少两个像素，得到由内到外依次为待优化区域、中心区域和拓展区域的图像；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，得到各像素点的灰度优化值。解决了相关技术中存在的总运算量大、迭代变量多、图像数据不连续的问题，为后续的数据并行化提供了基础；减少了迭代变量，提高了图像优化效率。

技术领域

本申请涉及图像处理技术领域，特别是涉及基于全变分最小化的图像优化方法、装置和计算机设备。

背景技术

图像是人类获取信息、表达信息和传递信息的重要手段，高质量的图像可以为人们提供更全面、更准确的信息。但在实际应用中，由于各种因素的存在，往往会使得图像存在各种类型的噪声。例如在医疗领域中，病患的自主移动，可能引入运动伪影；高密度物质的线束硬化，可能导致条纹伪影；辐射剂量的变化，可能引入斑点噪声等。噪声作为多余的干扰信息，影响了图像质量和人们对图像信息的理解和判断，应尽量去除。基于此，对图像进行去噪处理是提升图像质量、保证图像分辨率最有效的方法，而在图像去噪技术中，全变分最小化(Total Variation Minimization，TVM)是最常见的去噪方法之一，该方法在图像去噪的实际应用中起着无可替代的作用。

相关技术中基于TVM的图像优化方法，是将待优化图像划分为多个区域，运用与该区域对应的公式逐步迭代计算获得该区域图像的优化结果。该方法虽然可以得到有效结果，但由于各区域的计算公式不同，且每个计算公式中都包含多个不同的迭代变量，加之需要多次迭代计算，导致其本身的计算量非常巨大，从而会极大地影响整体的处理效率。此外，相关技术中的图像优化方法对图像数据进行分块处理，破坏了数据在迭代过程中的连续性。

针对相关技术中基于TVM的图像优化方法存在的总运算量大、迭代变量多、图像数据不连续的问题，目前还没有提出有效的解决方案。

发明内容

在本实施例中提供了一种基于全变分最小化的图像优化方法、装置、和计算机设备，以解决相关技术中图像优化方法存在的总运算量大、迭代变量多、图像数据不连续的问题。

第一个方面，在本实施例中提供了一种基于全变分最小化的图像优化方法，所述方法包括：

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。

在其中的一些实施例中，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；