基于Chambolle投影算法的全变分图像去噪工具

资 源 简 介

该项目实现了Antonin Chambolle提出的经典投影算法，这是一种用于求解全变分（Total Variation, TV）极小化模型的高效数值方法。该算法的核心是通过求解原问题的对偶问题，利用投影算子将变量约束在特定的凸集内，从而绕开全变分泛函在非平滑点不可微的计算难题。

详 情 说 明

Chambolle投影算法全变分图像去噪工具

项目介绍

本项目实现了一种基于Antonin Chambolle于2004年提出的经典投影算法，用于解决图像处理中的全变分（Total Variation, TV）极小化问题。该工具的核心目标是实现鲁棒的图像去噪，在去除图像高斯噪声的同时，有效地保留物体的边缘细节。该算法通过求解ROF（Rudin-Osher-Fatemi）模型的对偶问题，巧妙地避开了全变分算子在非平滑点不可微导致的数值计算难题。

功能特性

1. 全变分去噪：基于L1范数的正则化项，能够实现分片常数的重构效果，消除孤立噪声点。
2. 对偶投影迭代：采用Chambolle提出的半隐式迭代格式，通过调整对偶变量将解投影至L2球约束集合中。
3. 自动化评估：内置PSNR（峰值信噪比）与简化版SSIM（结构相似度）计算功能，定量分析图像恢复质量。
4. 动态能量监测：在迭代过程中实时计算并记录ROF模型的总能量函数值（正则化项与数据保真项之和）。
5. 结果可视化：自动生成对比图表，展示原始图像、含噪图像、去噪图像以及能量收敛曲线。

使用方法

1. 准备环境：确保计算环境支持矩阵运算（如MATLAB或兼容环境）。
2. 参数配置：在主程序中根据噪声强度调整lambda（正则化参数）和tau（步长）。默认tau设为0.245以确保数值稳定性。
3. 执行计算：运行程序后，系统会自动加载内置测试图像（如cameraman），添加标准差为0.1的高斯噪声，并执行去噪流程。
4. 结果查看：程序执行完毕后会在终端输出算法耗时、初始PSNR及去噪后的质量指标，并弹出可视化窗口。

系统要求

1. 运行平台：建议使用MATLAB R2016b及以上版本。
2. 图像处理工具箱：部分功能涉及图像读取与展示。
3. 内存需求：针对普通分辨率图像，内存消耗极低。

功能实现逻辑

程序主要分为四个阶段：

1. 数据准备阶段：将图像转换为双精度浮点型并归一化。通过向原始图像添加均值为0、特定标准差的高斯噪声来模拟受损图像。
2. 对偶迭代阶段：初始化两个与图像尺寸一致的对偶映射变量，并在最大迭代次数内执行循环。每轮循环首先根据当前对偶变量的散度计算中间重构结果，随后计算该结果的梯度。
3. 投影更新阶段：利用Chambolle的收敛公式更新对偶变量，公式中包含了梯度的欧几里得模长作为分母的非线性约束。
4. 收敛判定与重构阶段：通过观测对偶变量的变化量（L2范数）是否低于设定的容限来提前终止循环。最终图像由原始含噪图像减去对偶变量的散度项（乘以权重）获得。

关键函数与算法细节

1. 梯度与散度算子：

梯度计算采用了前向差分法，处理水平和垂直两个方向的变化。 散度计算作为梯度的负共轭算子，采用了后向差分法，并针对图像边界进行了零平衡处理，以保证算子的伴随性，这是算法收敛的关键。

1. 对偶投影机制：

不同于直接对不可微的TV范数求导，算法将问题转化为对偶变量在凸集上的投影。更新公式通过分母项对梯度进行归一化，确保对偶变量的幅度始终受到约束。

1. 能量函数计算：

能量由TV范数（图像梯度的L1范数和）和数据保真项（L2重建误差）组成。在迭代过程中，该能量值应呈现单调下降并趋于平稳的趋势。

1. 评价指标实现：

PSNR通过计算均方误差（MSE）的对数比例得出；SSIM则通过对比两幅图像的均值、方差及协方差来衡量结构信息的保持程度。