0 引 言

图像在获取、存储、传输、转置的过程中总是不可避免地带来乘性噪声的污染，乘性噪声不仅在较大程度上影响了图像细节的真实情况，且严重影响了图像的分割、分类、目标检测以及感兴趣区域的提取。因此，研究和发展含乘性噪声的图像复原方法具有重要的理论价值和实际意义。传统的基于Gauss分布的线性滤波器是对图像的高频区域做处理，因为边缘细节信息也在高频区域，所以在去噪的同时模糊了图像的边缘区域，丢失了大量的细节信息[1]。

（1）夯实组织保障。为有效推进全市预算绩效管理，市人民政府成立了由市长任组长、常务副市长任副组长，市财政局等单位负责人为成员的预算绩效管理工作领导小组。

基于偏微分方程(PDE)去噪模型的研究成为了近年来的热点。其基本思想是利用偏微分方程各向异性扩散理论对噪声图像做处理，通过求偏微分方程的解，达到对图像去噪的目的[2-3]。

文中讨论的乘性噪声模型为：f(x,y)=u(x,y)v(x,y)，其中点(x,y)为图像区域Ω对应的像素点，f(x,y)为观测图像，u(x,y)为待恢复图像，v(x,y)为噪声。基于该模型，利用MAP估计方法在乘性噪声服从Gamma分布的假设下，文献[4-6]介绍了AA(Aubert-Aujol)模型和HNW模型,分别如式1和式2所示：

2.3 模拟“遗传信息翻译”的过程 指导学生阅读教材上相关的文字和图示，理解遗传信息的翻译过程。在进行模拟实验前，思考如下几点： ①如何找出mRNA上的起始密码子、终止密码子？②如何查找mRNA上密码子对应的氨基酸？③核糖体与mRNA的结合部位会形成几个tRNA的结合位点？④是mRNA沿着核糖体移动还是核糖体沿着mRNA移动？⑤二肽和多肽是如何形成的？现在有了模板mRNA、生产厂房——核糖体、原料——20种氨基酸、转运工具——tRNA， 2个学生一组材料，模拟蛋白质的合成。模拟实验步骤如下：

(1)

模型3由TV正则项和保真项构成，模型在去除噪声的同时也有效抑制了“阶梯效应”。g(x,y)为权函数，用来防止图像的纹理及边界模糊。

 

 

(2)

上述模型都是由正则项和保真项构成，其中λ,γ为Lagrange参数，其值主要由图像的结构和噪声的强度决定。正则项均为各项同性全变差(total variation,TV)，全变差正则项能够在保护图像边缘的同时达到有效的去噪效果，但是在处理图像时存在三点不足：降低了图像的边缘锐度；在纹理区域会出现一定程度的模糊现象；在图像的光滑区域会产生“阶梯效应”。对此，文中提出一种基于四阶微分全变差的图像去噪模型，并通过实验对其进行验证。

640 雷公藤红素抑制鼻咽癌细胞的增殖、迁移及上皮间质转化 张 雪，张登海，陈晓平，滕伟强，彭 彬，张 燚，王 莹，曹帆帆，薛晓成

用户负荷具有区域性、时变性、外部气象环境敏感性等特点，配变重过载、低电压等异动状态导致的停运故障时有发生，影响用户用电体验，且由于配网监测终端数据传输的滞后性，故障处理只能采用事后抢修手段，无法消除配网设备异常对客户服务已造成影响事实。

1 基于分项可变权函数的各项异性去噪模型的建立

同理，其余两项可用类似的方法离散。

在此基础上，文中建立了一个动态局部正交坐标系，使其在对图像做降噪处理时，根据图像局部变化的不同改变对图像的去噪进度，从而在去除图像噪声的同时能够有效地保护图像的边缘细节及纹理。设动态局部正交坐标系(η,ξ)：

 

 

其中η为平行于图像梯度u的单位矢量，ξ为图像水平线集的单位切矢量[7]。在该局部坐标系中，有动态坐标系Hessian矩阵设为：所以有：

 

(3)

ω(x,y)‖dxdy+

 

其中，ε(n)使得z(n-1)中的零值元素在下次迭代中为一个非零数，从而保证迭代的稳定。从传统权函数[16-17]的选取中可以看出其都是基于梯度模值建立的，对图像的边缘区域、平坦区域和噪声区域无法做出详细的区分，在处理图像时区域间连接处的细节纹理不能得到有效的保留。

为解决上述问题，文中利用边缘指标概念，在局部坐标系下，引入体现边缘指标的参数，差分曲率：D=||zηη|-|zξξ||。其中，即为z在局部坐标系(η,ξ)下沿梯度z的方向和与梯度z垂直方向的二阶导数，|*|表示该量的绝对值。因为边缘区域梯度模值大，而光滑区域模值小，所以上式通过二阶导数之间的关系，对边缘指标进行定义：

（1）聚焦应用能力培养。由于“茶产品分析与检验”的实务性和技术性，教学目的主要使学生能够应用检验分析的方法。所以，教学过程中要以应用能力培养为导向，以此为目的组织教学内容、选择适合的教学方法。

则模型5对应的Euler方程为：

(2)若为平坦区域或坡道区域，|zηη|和|zξξ|均是小的，所以D小；

秦先祖是为周天子养马出身，后击败西戎，得了一块苦寒、贫瘠的秦地开始“创业”。经过五百年潜心经营、厚积薄发，秦国最终从无助、弱小、可怜的“后进生”脱胎换骨成为春秋战国时期实力雄厚的“尖子生”，并有了问鼎中原的志向。

(3)对于噪声区域，|zηη|和|zξξ|均是大的或者几乎相等，所以D小。

∓zi,j

因此，基于差分曲率的性质可设计一个新的权函数，但是模型3中权函数g(x,y)是作用在整幅图像的一个权重。为了更好地保留图像的纹理细节信息，文中在模型3的基础上建立了一个动态的局部坐标可变权函数矩阵B,使权函数矩阵的每项分别作用Hessian矩阵的每一个项上。设权函数矩阵为：同时定义下面的运算：

B·2z=

 

(4)

式4中取B·2z的F-范数并对其平方：

 

所以分项加权可变权函数为：

 

f(η,ξ)e-z(η,ξ))dηdξ}

(5)

设其中μ为平衡正则项和保真项的参数，μ的大小由噪声的大小决定。模型5中可变权函数矩阵B的性质：f11控制着梯度方向η的扩散，f22控制着切线方向ξ的扩散。因此利用λ(D)，文中设计了如下四个函数且满足以下条件：f11≪f22且f12≈f21，其中f11是关于|λ(D)|的减函数，f12是关于|λ(D)|的增函数，同时f11+f22=1，f12，f21使得图像在不同区域能快速扩散。

满足上述要求的权函数矩阵各项可设为：其中a,b为控制扩散系数，且0<a,b<1。

2 模型求解

由模型5知：

Fz=z(η,ξ)-f(η,ξ)-z(η,ξ)

“穀”是生僻字，现在很少用了，只在古汉语中可见，通“谷”字，指两山之间的低地，是稻谷庄稼的总称，也有养育、生长、善美的意思。

(1)若为边缘区域，那么|zηη|大，|zξξ|小，所以D大；

 

因此模型对应的梯度下降流为：

 

(6)

式6将采用“半点”离散化格式，对于的离散表示：

这样就可以通过D的值有效区分图像的边缘区域、平坦区域和噪声区域，从而更好地达到保护边缘的目的。设是标准化差分曲率，Dmax是差分曲率D在整幅图像的最大值。取为含边缘指标的参数，其中k是任意正数，因此函数λ(D)∈[0,k]。对于边缘区域，λ(D)→k，而对于平坦区域、坡道区域或噪声区域，λ(D)→0。

 

另一项用同样方法离散，因此对于二阶导数与带有系数的项：可用同样的方法离散。且对系数也做“半点”离散，所以有：

 

 

基于上述模型的不足及现象产生的原因，很多学者提出了不同的解决方案[7-14]。文献[15]中提出了Hessian矩阵Frobenius范数的迭代重加权二阶正则模型，有效地抑制了图像在平坦区域产生的“阶梯效应”。

对三阶导数的“半点”离散得：

病害问题是影响鱼苗培育成活率的主要因素，做好苗种培育阶段的病害防治工作，是提高苗种培育成活率的关键，下面就介绍几种鱼苗培育前期经常发生且危害比较大的病害防治技术，供读者参考。

 

求得四阶导函数的离散；

 

其余的三阶、四阶导数可用同样的方法求得。

对于系数的“半点”处的值，可用相邻的两个整点的平均值近似：

 

此离散的边界条件为：

你才十七岁，你还有很长很长的路要走。你会遭遇比此前更大的失败，也许会再次迷茫得跟随众人的脚步前行而不知所措。

 

所以令为离散后的正则项，设为最速下降法的方向，于是式6变为进行求解。其中Δt为迭代步长，迭代终止条件为为预先设置的误差限，迭代终止后所得到的图像即为去噪图像。

后来等到宫宝田护主再回北京时，已经物是人非了，昔日的京城武林落得一片凄凉，宫宝田不知道是出于伤感还是什么，于1905年称病离开宫廷，回到山东老家，从此深居简出，16年不谈朝廷江湖，更不在人前炫耀自己的功夫。

3 实验结果与分析

为了验证算法对图像去噪的有效性，选择传统的高斯去噪、二阶的ATV去噪算法及四阶ATV去噪算法进行对比，用峰值信噪比PSNR(PSNR=10×lg(2552/MSE),MSE=‖z0-z‖2)和结构相似度(SSIM)作为衡量标准。处理的图片用到了彩色图像Rose和灰白图像Room。经过大量的数值模拟实验，模型参数取：μ=1/4、a=0.4、b=0.7，迭代步长Δt=1.12，迭代次数n=100，当图像迭代精度ε=10-4时，处理效果最佳。

图1和图2分别是Rose图像和Room图像的去噪结果。

  

图1 四种去噪结果(Rose图像)

  

图2 四种去噪结果(Room图像)

表1和表2分别是两幅图像的算法对比结果。

（i）10 个标准，U={u1，u2，u3，u4，u5，u6，u7，u8，u9，u10}及相应权重向量 w=（0.12，0.1，0.1，0.11，0.1，0.08，0.1，0.09，0.1，0.1）T。

 

表1 算法比较结果(Rose图像)

  

算法PSNRSSIM高斯去噪21.34040.5912二阶ATV26.50400.9477四阶ATV29.13670.9580文中方法30.94690.9715

 

表2 算法比较结果(Room图像)

  

算法PSNRSSIM高斯去噪22.67110.7554二阶ATV26.26030.9341四阶ATV29.29800.9362文中方法30.94420.9448

由图像及峰值信噪比、结构相似度的对比可知，传统的高斯去噪模型在去除噪声的同时，模糊了整幅图像，使得图像在处理后难以分辨其特征。而二阶的ATV模型在去噪时，图像的边缘信息保护较好，但恢复图像存在“阶梯效应”。而四阶ATV模型在边缘的细节保留和对“阶梯效应”的抑制都有不错的效果，但丢失了图像不同区域的过渡信息。文中模型在去除噪声时不仅有效保留了图像的边缘及不同区域之间的纹理信息，而且更好地抑制了“阶梯效应”的产生，从而证明了该模型的有效性。

心肌缺血是临床上常见的一种心血管疾病，同时伴有心绞痛，严重时可危及患者的生命[1]。因此，心肌缺血治疗的重点在于提高心肌供血量，减少心肌缺血的次数，缓解心绞痛症状。西医治疗虽然有一定的疗效，但是副作用大，并且远期疗效差[2]。所以，临床上仍需寻找一种有效地治疗心肌缺血的方案。近年来中药在冠心病治疗中取得了较好的疗效，瓜蒌薤白桂枝汤是中医临床用于心肌缺血的常用方剂[3]，可以加强患者抵抗心肌梗死和心肌缺血的能力。所以，本文主要将西药与中药瓜萎薤白桂枝汤加味联合治疗心肌缺血，现报道如下。

4 结束语

文中利用一个边缘指标有效地区分了边缘区域和平滑区域，基于这个新的边缘指标设计了一个可变的权函数矩阵，提出了一种各项异性的可变权函数的去噪模型，并用梯度下降法进行求解。实验结果及数据表明，该模型能够衰减噪声后的“阶梯效应”，同时较好地保留了图像的细节信息及不同区域间的过渡信息。由于对不同区域做出了区分，有效地提高了模型的迭代速度。

参考文献：

[1] 冈萨雷斯.数字图像处理[M].阮秋琦,译,第2版.北京:电子工业出版社,2003:169-174.

[2] 王大凯,侯榆青,彭进业.图像处理的偏微分方程方法[M].北京:科学出版社,2008:110-139.

[3] 丁 畅,尹清波,鲁明羽.数字图像处理中的偏微分方程方法综述[J].计算机科学,2013,40(11A):341-346.

[4] AUBERT G, AUJOL J. A variational approach to removing multiplicative noise[J].SIAM Journal on Applied Mathematics,2008,68(4):925-946.

[5] SHI Jianing, OSHER S.A nonlinear inverse scale space method for a convex multiplicative noise model[J].SIAM Journal on Imaging Sciences,2008,1(3):294-321.

[6] HUANG Yumei,MICHAEL K N,WEN Youwei.A new total variation method for multiplicative noise removal[J].SIAM Journal on Imaging Sciences,2009,2(1):20-40.

[7] 袁泽剑，郑南宁，张元林，等.一种非线性扩散滤波器的设计方法及其应用[J].计算机学报，2002，25(10)：1072-1076.

[8] LIU Chunxiao, ZHU Shengfeng. A convex relaxation method for computing exact global solutions for multiplicative noise removal[J].Journal of Computational and Applied Mathemmatics，2013，238:144-155.

[9] WEICKERT J.Anisotropic diffusion in image processing[C]//European consortium for mathematics in industry.Germany:B. G. Teubner,Stuttgart,1998.

[10] 王旭东,冯象初,白 键.基于结构张量场拟合的图像恢复方法[J].西安电子科技大学学报:自然科学版,2011,38(6):68-74．

[11] 许建楼,冯象初,郝 岩.二阶总广义变分图像修复模型及其算法[J].西安电子科技大学学报:自然科学版,2012,39(5):18-23.

[12] 王 璐.基于四阶微分全变差的图像去噪模型[J].计算机技术与发展,2016,26(3):85-88.

[13] 艾 立.基于变分和偏微分方程的图像去噪研究[D].成都:电子科技大学,2015.

[14] 张化朋,任少美.基于偏微分方程的乘性噪声去噪算法[J].计算机技术与发展,2016,26(11):90-92.

[15] 王旭东,冯象初,张选德.去除乘性噪声的迭代重加权二阶正则模型[J].西安电子科技大学学报:自然科学版,2014，41(2)：130-136.

[16] 周先春,汪美玲,石兰芳,等.基于小波与重调和方程的扩散去噪模型的研究[J].物理学报,2015,64(6):064203.

[17] 张小燕,吐尔洪江·阿布都克力木.小波变换的阈值图像去噪算法改进[J].计算机技术与发展,2017,27(3):81-84.