基于MATLAB的TV、PM和ROF模型的实现代码

基于MATLAB的TV（总变差）、PM（Perona-Malik）和ROF（Rudin-Osher-Fatemi）模型的实现代码，包含图像去噪与重建功能

---

一、TV模型（总变差去噪）

1. 代码

function denoised = TV_denoise(noisy_img, lambda, iter)% 输入参数：% noisy_img: 含噪图像（灰度）% lambda: 正则化参数（默认0.1）% iter: 迭代次数（默认50）% 输出：去噪图像[rows, cols] = size(noisy_img);denoised = double(noisy_img);for i = 1:iter% 计算梯度[Ix, Iy] = gradient(denoised);grad_mag = sqrt(Ix.^2 + Iy.^2 + eps);% 更新总变差项div_x = (Ix ./ grad_mag) .* (Ix.^2 + Iy.^2);div_y = (Iy ./ grad_mag) .* (Ix.^2 + Iy.^2);denoised = denoised + lambda * (div_x + div_y);% 边界处理（零填充）denoised(1,:) = denoised(2,:);denoised(end,:) = denoised(end-1,:);denoised(:,1) = denoised(:,2);denoised(:,end) = denoised(:,end-1);enddenoised = uint8(min(max(denoised,0),255));
end% 示例调用
noisy_img = imread('noisy_cameraman.png');
denoised_img = TV_denoise(noisy_img, 0.1, 50);
imshow([noisy_img denoised_img]);

2. 关键参数说明

• lambda：控制平滑强度，值越大平滑越强（推荐0.05-0.2）
• iter：迭代次数影响收敛性（20-100次）

---

二、PM模型（Perona-Malik去噪）

1. 核心代码实现

function denoised = PM_denoise(noisy_img, K, lambda, iter)% 输入参数：% K: 对比度阈值（默认10）% lambda: 时间步长（默认0.15）% iter: 迭代次数（默认30）[rows, cols] = size(noisy_img);denoised = double(noisy_img);for i = 1:iter% 计算梯度[Ix, Iy] = gradient(denoised);grad_mag = sqrt(Ix.^2 + Iy.^2);% 计算扩散系数（指数型）c = exp(-(grad_mag/K).^2);% 更新图像div_x = (c(2:end,:) .* Ix(2:end,:) - c(1:end-1,:) .* Ix(1:end-1,:)) ./ (2*(1 + (Ix.^2 + Iy.^2)/K^2));div_y = (c(:,2:end) .* Iy(:,2:end) - c(:,1:end-1) .* Iy(:,1:end-1)) ./ (2*(1 + (Ix.^2 + Iy.^2)/K^2));denoised = denoised + lambda * (div_x + div_y);% 边界处理（反射填充）denoised(1,:) = denoised(2,:);denoised(end,:) = denoised(end-1,:);denoised(:,1) = denoised(:,2);denoised(:,end) = denoised(:,end-1);enddenoised = uint8(min(max(denoised,0),255));
end% 示例调用
noisy_img = imread('noisy_moon.png');
denoised_img = PM_denoise(noisy_img, 15, 0.15, 30);
imshow([noisy_img denoised_img]);

2. 参数对比建议

参数	TV模型	PM模型
lambda	0.05-0.2	0.1-0.3
K	不适用	5-20
优势	保留强边缘	保留弱纹理

---

三、ROF模型（全变差重建）

1. 核心代码实现

function [denoised, u] = ROF_denoise(noisy_img, lambda, iter)% 输入参数：% lambda: 正则化参数（默认0.1）% iter: 迭代次数（默认100）[rows, cols] = size(noisy_img);u = double(noisy_img);f = u;for i = 1:iter% 计算梯度[ux, uy] = gradient(f);grad_mag = sqrt(ux.^2 + uy.^2 + eps);% 更新方程div = (ux.^2 .* ux + uy.^2 .* uy) ./ (grad_mag + eps) ...+ (ux .* uy .* (uy - ux)) ./ (grad_mag + eps);f = f + lambda * (div - u + noisy_img);% 投影到可行域f = max(min(f, 1), 0);enddenoised = uint8(f);
end% 示例调用
noisy_img = imread('noisy_lena.png');
[denoised, u] = ROF_denoise(noisy_img, 0.1, 100);
imshow([noisy_img denoised]);

2. 数学模型

其中f为含噪图像，u为重建图像。

参考代码 TV、PM、ROF模型代码，去噪、图像重建 www.youwenfan.com/contentcnk/64735.html

四、应用场景建议

1. TV模型 医学影像（如MRI去噪） 遥感图像（保留地理特征）
2. PM模型 自然场景图像（保留树叶纹理） 低光照图像增强
3. ROF模型 艺术品修复（如油画去噪） 视频去噪（需逐帧处理）

---

五、代码优化技巧

1. 加速方法 使用快速傅里叶变换（FFT）加速卷积 采用多尺度处理（如小波分解）

2. 并行计算

   parfor i = 1:iter% 并行迭代更新
   end
   

3. GPU加速

   noisy_img_gpu = gpuArray(noisy_img);
   denoised_gpu = ROF_denoise(noisy_img_gpu, 0.1, 100);
   denoised = gather(denoised_gpu);