各向异性全变分引导滤波及其Split Bregman方法

引导滤波(GF)去噪的关键是选取一幅包含清晰结构信息的引导图像。为提高GF的去噪效果, 提出一种由各向异性全变分(ATV)引导的滤波方法。首先利用ATV模型对噪声图像进行光滑处理, 生成包含良好结构信息的引导图像, 然后利用GF进行处理。为提高算法的稳健性, 对上述过程进行迭代处理。由于计算全变分模型的传统迭代方法速度较慢, 因此采用Split Bregman迭代方法进行加速处理。实验结果表明：该算法不仅在峰值信噪比、归一化均方误差和结构相似性等客观指标上具有优势, 而且计算速度比传统迭代方法提高了约30倍。该算法可以较好地快速去除噪声, 并能较好地保持图像中的结构和边缘特征等细节信息。