[论文解读] A Total Fractional-Order Variation Model for Image Restoration with Non-homogeneous Boundary Conditions and its Numerical Solution

Jianping Zhang, Ke Chen|arXiv (Cornell University)|Sep 6, 2015

Fractional Differential Equations Solutions参考文献 54被引用 3

一句话总结

本文提出了一种用于图像恢复的新型分数阶全变差模型，通过使用非齐次边界条件克服了传统全变差和高阶模型的局限性。通过严格分析理论性质并开发高效的数值算法，该方法在恢复质量和效率方面均表现出色，优于均曲率和总广义变差等既有的模型，在保持平滑性并减少阶梯效应方面表现更优。

ABSTRACT

To overcome the weakness of a total variation based model for image restoration, various high order (typically second order) regularization models have been proposed and studied recently. In this paper we analyze and test a fractional-order derivative based total $α$-order variation model, which can outperform the currently popular high order regularization models. There exist several previous works using total $α$-order variations for image restoration; however first no analysis is done yet and second all tested formulations, differing from each other, utilize the zero Dirichlet boundary conditions which are not realistic (while non-zero boundary conditions violate definitions of fractional-order derivatives). This paper first reviews some results of fractional-order derivatives and then analyzes the theoretical properties of the proposed total $α$-order variational model rigorously. It then develops four algorithms for solving the variational problem, one based on the variational Split-Bregman idea and three based on direct solution of the discretise-optimization problem. Numerical experiments show that, in terms of restoration quality and solution efficiency, the proposed model can produce highly competitive results, for smooth images, to two established high order models: the mean curvature and the total generalized variation.

研究动机与目标

• 解决基于全变差的图像恢复模型中存在的块状（阶梯）效应和对比度损失问题。
• 开发一种理论严谨的分数阶总 α 阶变差模型，以推广经典和高阶正则化方法。
• 通过正确处理分数阶导数的非零（非齐次）边界条件，解决先前研究中的不一致问题。
• 设计高效的数值算法，求解所得变分问题并保证鲁棒的收敛性。
• 在图像去噪和恢复质量方面，展示与最先进高阶模型相当的性能。

提出的方法

• 基于 Riemann-Liouville 分数阶导数，提出一种基于总 α 阶变差的图像正则化模型，其中 α ∈ (1,2)，以平衡平滑性与边缘保持性。
• 提出一种变分公式，将数据保真项与分数阶正则化项耦合，通过约束优化最小化能量泛函。
• 应用 Split-Bregman 方法将优化问题分解为子问题，实现高效的数值求解。
• 基于离散化优化问题的直接求解，开发三种替代算法，提升算法的鲁棒性与收敛性。
• 通过推导 Caputo 分数阶散度的必要条件，引入非齐次边界条件，确保与物理和数学定义的一致性。
• 利用 Gateaux 导数与分部积分法推导 Euler-Lagrange 方程，边界项通过分数阶迹条件进行处理。

实验结果

研究问题

• RQ1 具有非齐次边界条件的分数阶全变差模型是否能在图像恢复中优于经典和高阶正则化模型？
• RQ2 当需要非零边界条件时，如何在图像变分模型中一致地应用分数阶导数？
• RQ3 所提出的总 α 阶变差模型的理论性质是什么，特别是解的存在性与唯一性？
• RQ4 不同数值算法在收敛速度、稳定性与恢复质量方面的表现如何比较？
• RQ5 该模型在多大程度上减少了阶梯效应，同时保持了图像对比度与精细结构？

主要发现

• 所提出的分数阶模型在恢复质量上与均曲率模型和总广义变差模型相当或更优，尤其在平滑图像上表现更佳。
• 数值实验表明，PDE-Split-Bregman（PDE-SB）算法在恢复精度与计算效率方面均优于其他求解器。
• 该模型能有效缓解全变差模型中常见的阶梯效应，同时保持图像对比度与精细纹理。
• 理论分析证实，在非齐次边界条件下，变分问题具有适定性，解决了先前研究中的不一致问题。
• 通过 Caputo 类型散度正确处理了分数阶导数公式中的边界项，确保了数学一致性。
• 该方法在多种噪声水平和图像类型下表现出鲁棒性，且在多个测试案例中均实现稳定收敛。