三维网格去噪算法(L0范数最小化,包含二维图像去噪)

2024-04-07 13:48

本文主要是介绍三维网格去噪算法(L0范数最小化,包含二维图像去噪),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

参考文章(技术来源):Mesh denoising via L0 minimization

上面参考文章提出了一种基于L0范数最小化的三角网格去噪算法。该思想由二维图像平滑引申而来,所以先从基于L0范数最小化的二维图像平滑的原理入手,来一步步讲解。


一. 基于L0范数最小化的二维图像平滑

1. 目的
(1) 去噪后得到的输出(out)图像尽可能接近原图(不要损失边缘,纹理等细节信息);
这里写图片描述
(2) 图像平滑(去噪)。


2. 针对1的分析
(1) 衡量out图与原图的误差函数:
这里写图片描述
目标:最小化误差函数 —— minc|cc|2 m i n c | c − c ∗ | 2

(2) 图像平滑
引入L0范数 —— 可理解为“集合的非零个数”
这里写图片描述
|c|0 | ▽ c | 0 :越大,图像细节纹理越清晰;越小,细节纹理越模糊。

目标: minc|c|0 m i n c | ▽ c | 0 —— 使 |c|0 | ▽ c | 0 尽量小,可实现图像平滑

注意:(1)与(2)是对立关系。


3. 本问题的目标函数
结合2中的(1)和(2),形成了本问题的目标函数:
minc|cc|2+|c|0 m i n c | c − c ∗ | 2 + | ▽ c | 0
即最小化 |cc|2+|c|0 | c − c ∗ | 2 + | ▽ c | 0


4. 引入正则化参数 λ λ
目标函数中,(1)(2)两部分是对立的, |cc|2 | c − c ∗ | 2 小(out图接近原图),则 |c|0 | ▽ c | 0 大。那么,如何找到最优解实现 minc|cc|2+|c|0 m i n c | c − c ∗ | 2 + | ▽ c | 0 ?

我们来引入正则化参数(常量) λ λ 来平衡(1)(2)两部分的比重,目标函数:
minc|cc|2+λ|c|0 m i n c | c − c ∗ | 2 + λ | ▽ c | 0

  • λ λ 大,则(2)最小化比重大,应尽量使 |c|0 | ▽ c | 0 最小化;
  • λ λ 小,则(1)最小化比重大,应尽量使 |cc|2 | c − c ∗ | 2 最小化;
  • 所以 λ λ 能控制out图像的平滑程度。

5. 引入辅助变量 δ δ
4中的目标函数存在无法凸优化问题,引入辅助变量 δ δ ,目标函数:
minc,δ|cc|2+β|cδ|2+λ|δ|0 m i n c , δ | c − c ∗ | 2 + β | ▽ c − δ | 2 + λ | δ | 0
这里写图片描述
我想,引入(2)的目的是因为:我们要找目标函数的最优解,而L0范数( λ|c|0 λ | ▽ c | 0 )不可导,使得全局最优问题成为一个NP(非确定性,数学难题)难问题。所以这里使用变量分裂法,分裂出(2)这个二次函数(因为二次函数都可以求导,得到其最小值)。


6. 开始优化
这里写图片描述
- 第1步:固定c优化 δ δ ,即: minδβ|cδ|2+λ|δ|0 m i n δ β | ▽ c − δ | 2 + λ | δ | 0

  • 第2步:固定 δ δ 优化c,即: minc|cc|2+β|cδ|2 m i n c | c − c ∗ | 2 + β | ▽ c − δ | 2

  • 循环迭代以上两步,每次迭代中 β β 乘以2(使(2)占得比重大,使得最终 cδ ▽ c ≈ δ )。

二. 将以上思想应用于三角网格去噪

1. 目标函数
minp,δ|pp|2+β| D(p)δ|2+λ|δ|0 m i n p , δ | p − p ∗ | 2 + β | D ( p ) − δ | 2 + λ | δ | 0
分析:
这里写图片描述
关于D(e):
这里写图片描述
但是当有角度接近0时,微分算子的权重会变成inf,因此文章又提出了一种优化后的微分算子表达式:
这里写图片描述
微分算子D(e)中的符号说明:
这里写图片描述


2. 引入正则化项R(p)
对于非均匀噪声网络,应用1中的目标函数模型得到结果:
这里写图片描述
所以在优化过程又加入了一个正则化项: R(p)=(p1p2+p3p4)2 R ( p ) = ( p 1 − p 2 + p 3 − p 4 ) 2

于是目标函数变为: minp,δ|pp|2+α|R(p)|2+β| D(p)δ|2+λ|δ|0 m i n p , δ | p − p ∗ | 2 + α | R ( p ) | 2 + β | D ( p ) − δ | 2 + λ | δ | 0
这里写图片描述


3. 优化过程仍分为两步

  • 第1步:固定p优化 δ δ ,即: minδβ|D(p)δ|2+λ|δ|0 m i n δ β | D ( p ) − δ | 2 + λ | δ | 0

    有一个限定条件:$\sqrt{\frac{\lambda }{\beta }}>D_{i},\delta

  • 第2步:固定 δ δ 优化p,即: minp|pp|2+α|R(p)|2+β|D(p)δ|2 m i n p | p − p ∗ | 2 + α | R ( p ) | 2 + β | D ( p ) − δ | 2
    相当于求解稀疏矩阵方程组
  • 然后循环迭代上述2个步骤直到达到预定条件。

    • 开始 β=103 β = 10 − 3 ,每次 βμβ β → μ β μ μ 越大棱角越分明,直到 β103 β ≥ 10 3

    • α12α α → 1 2 α

这篇关于三维网格去噪算法(L0范数最小化,包含二维图像去噪)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/882774

相关文章

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

CSS3 最强二维布局系统之Grid 网格布局

《CSS3最强二维布局系统之Grid网格布局》CS3的Grid网格布局是目前最强的二维布局系统,可以同时对列和行进行处理,将网页划分成一个个网格,可以任意组合不同的网格,做出各种各样的布局,本文介... 深入学习 css3 目前最强大的布局系统 Grid 网格布局Grid 网格布局的基本认识Grid 网

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

hdu1240、hdu1253(三维搜索题)

1、从后往前输入,(x,y,z); 2、从下往上输入,(y , z, x); 3、从左往右输入,(z,x,y); hdu1240代码如下: #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#inc