[论文解读] Image representation and denoising using squared eigenfunctions of Schrodinger operator

Zineb Kaisserli, Taous‐Meriem Laleg‐Kirati|arXiv (Cornell University)|Sep 12, 2014

Image and Signal Denoising Methods参考文献 25被引用 5

一句话总结

该论文通过分离变量法，利用二维薛定谔算符的平方L²归一化本征函数，将半经典信号分析（SCSA）方法扩展至二维图像表示与去噪。该方法通过调节半经典参数h实现精确的图像重建与有效的去噪，最优性能出现在h ≈ 1.65时，在高斯噪声水平下（如σ=100时PSNR达24.4 dB）优于TV和K-SVD方法，PSNR与SSIM指标表现更优。

ABSTRACT

This paper extends to two dimensions the recent signal analysis method based on the semi-classical analysis of the Schrodinger operator. The generalization uses the separation of variables technique when writing the eigenfunctions of the Schrodinger operator. The algorithm is described and the effect of some parameters on the convergence of this method are numerically studied. Some examples on image reconstruction and denosing are illustrated.

研究动机与目标

• 将一维半经典信号分析（SCSA）方法扩展至二维图像处理，用于图像表示与去噪。
• 解决利用源自量子力学本征函数的局部化、物理启发式基函数进行图像重建与去噪的挑战。
• 研究当半经典参数h趋近于零时，二维SCSA方法的收敛性。
• 评估该方法在高斯噪声条件下保持图像特征（如边缘与纹理）的能力。
• 在PSNR与SSIM指标下，将所提出的基于SCSA的去噪方法与当前最先进的方法（如总变差法与K-SVD）进行比较。

提出的方法

• 通过在薛定谔算符中应用分离变量技术，将一维SCSA框架推广至二维，将二维本征函数分解为一维本征函数的张量积。
• 将图像表示为二维薛定谔算符H_h = -h²(∂²/∂x² + ∂²/∂y²) - V(x,y)中的势函数V(x,y)，其中h为半经典参数。
• 使用公式V_{h,γ,λ}(x,y) = [sum over k of (λ - μ_{k,h})^γ ψ_{k,h}^2(x)ψ_{k,h}^2(y)]^{2/(1+2γ)}，从本征函数与本征值中重构图像。
• 分别独立地通过求解Sturm-Liouville问题的数值解，获得两个方向上的一维薛定谔算符的离散谱。
• 基于负本征值的幅值大小，采用阈值策略，仅选择最具代表性的本征函数用于图像重构与去噪。
• 通过数值实验优化半经典参数h，使用MSE、PSNR与MSSIM作为评估指标。

实验结果

研究问题

• RQ1 能否通过分离变量法成功将一维SCSA方法扩展至二维图像处理？
• RQ2 当半经典参数h → 0时，二维SCSA重构的收敛行为如何？
• RQ3 在高斯噪声水平下，图像去噪的最优半经典参数h值是多少？
• RQ4 基于SCSA的去噪方法与总变差法、K-SVD等成熟方法相比，在图像质量保持方面表现如何？
• RQ5 该方法在去噪过程中对图像细微结构（如边缘与纹理）的保持程度如何？

主要发现

• 当半经典参数h趋近于零时，二维SCSA方法在理论上可实现精确图像重构，收敛性已通过解析方法证明。
• 在σ = 75时，Lena图像去噪的最优h值为1.65，对应PSNR为25.70 dB，MSSIM为0.5563。
• 在σ = 100时，所提方法达到PSNR 24.4 dB与SSIM 0.971，优于总变差法（22.8 dB，0.678）与K-SVD（21.5 dB，0.559）。
• 经视觉检查与局部放大对比，去噪图像在纹理与边缘细节保持方面优于对比方法。
• 即使在高噪声水平下，去噪图像的直方图仍与原始图像高度吻合，表明有效抑制噪声且无失真。
• 在σ = 100时，该方法仍保持高结构相似性（MSSIM > 0.97），证明其对高斯白噪声具有强鲁棒性。