[论文解读] Adaptive diffusion constrained total variation scheme with application to `cartoon + texture + edge' image decomposition

Juan Carlos Moreno, V. B. Surya Prasath+3 more|arXiv (Cornell University)|May 5, 2015

Medical Image Segmentation Techniques参考文献 54被引用 5

一句话总结

本文提出了一种自适应扩散约束总变差（TV）方案，通过变分PDE框架将图像分解为轮廓、纹理和边缘分量。通过将基于局部直方图的自适应权重与线性扩散整合到对偶最小化算法中，该方法在多尺度图像特征分离中实现了优越的边缘保持分解与去噪效果，优于现有的TV基方法和各向异性扩散方法。

ABSTRACT

We consider an image decomposition model involving a variational (minimization) problem and an evolutionary partial differential equation (PDE). We utilize a linear inhomogenuous diffusion constrained and weighted total variation (TV) scheme for image adaptive decomposition. An adaptive weight along with TV regularization splits a given image into three components representing the geometrical (cartoon), textural (small scale - microtextures), and edges (big scale - macrotextures). We study the wellposedness of the coupled variational-PDE scheme along with an efficient numerical scheme based on Chambolle's dual minimization method. We provide extensive experimental results in cartoon-texture-edges decomposition, and denoising as well compare with other related variational, coupled anisotropic diffusion PDE based methods.

研究动机与目标

• 开发一种稳健的图像分解模型，将图像分离为轮廓、纹理和边缘分量，以实现更优的结构与纹理分析。
• 通过引入自适应加权与扩散约束，解决经典TV正则化在阶梯效应和纹理处理方面的局限性。
• 通过基于局部图像统计的尺度自适应参数，实现多尺度分解。
• 通过良好的变分-PDE框架，提升去噪性能，同时保持边缘与细纹理。
• 利用Chambolle的对偶最小化方法，实现数值高效解法，适用于实时应用。

提出的方法

• 该方法采用基于局部图像直方图导出的自适应权重的加权总变差（TV）正则化，以区分轮廓、纹理和边缘分量。
• 将线性非均匀扩散方程与TV泛函耦合，以约束图像分量的演化过程，提升均匀区域的平滑效果。
• 该方案被表述为一个变分问题，通过最小化结合TV、保真度（L2）和纹理（Gp）范数的泛函实现，其中L1拟合项包含自适应加权。
• 基于PDE的演化过程通过扩散约束方案求解，以在增强纹理分离的同时保持边缘。
• 采用基于Chambolle方法的对偶最小化算法实现高效数值实现，将问题分解为可处理的子问题。
• 通过分层参数自适应策略，迭代细化分量，实现多尺度分解。

实验结果

研究问题

• RQ1 基于局部图像统计的自适应加权是否能提升图像分解中轮廓、纹理和边缘分量的分离效果？
• RQ2 将线性扩散约束与总变差耦合，如何增强边缘保持与纹理分离？
• RQ3 所提出的变分-PDE框架在多尺度分解与去噪方面，相较于标准TV与各向异性扩散模型，优势程度如何？
• RQ4 在不同图像条件与噪声水平下，该方法是否具有良好的适定性与数值稳定性？
• RQ5 该方法能否扩展至TV以外的其他正则化器，同时保持其分解与去噪性能？

主要发现

• 所提出的CTE模型在轮廓-纹理-边缘分离方面表现优越，相较于[54]中的分层方法，轮廓分量更清晰，纹理捕捉更具渐进性。
• 基于局部直方图的自适应权重显著提升了分量分离的准确性，尤其在区分小尺度纹理与大尺度边缘方面效果明显。
• 在边缘保持与噪声抑制方面，该方法优于标准TV与各向异性扩散模型，其有效性在合成图像与真实图像上均得到验证。
• 对偶最小化实现确保了快速且稳定的收敛，即使在高分辨率图像上也能实现高效计算。
• 该模型的多尺度版本成功捕捉了多尺度纹理，图18中迭代过程的渐进细化效果清晰可见。
• 去噪结果表明该模型作为概念验证具有实用性，尽管在纯去噪性能上仍不及BM3D或非局部均值等专用去噪方法。