🌊 2026 山东省数学建模 E题 基于方向场估计的图像处理模型及其应用
------ 原创手搓·保证唯一·高质量成品范文 ------
🚀 拒绝平庸： 本文由博主深度原创，专注于"应用"而非"糊弄"。每一行代码、每一张图表都经过精心雕琢，确保学术审美与建模深度并存。
⛳️：数模保奖交流，认准我哦
先来看题目：
在光学干涉测量、纹理识别和医学图像分析中，图像的局部方向信息(如干涉条纹方向、纹理线条方向、神经纤维走向)是重要的几何特征。准确估计方向场并利用其指导滤波、修复或跟踪，可显著提升处理效果。本题围绕"方向估计"这一核心，针对三种典型任务建立数学模型。
说明:本题目共分为三问，每问提供 10张图像。参赛者需设计相应算法处理图像，处理后将结果图像提交，由主办方统一计算评价指标。
问题一:光学干涉条纹图的定向去噪(去噪任务)
问题描述:电子散斑于涉测量(ESPI)中获得的条纹图像常含有强烈的高斯噪声或散斑噪声。条纹具有明显的局部方向性，请设计一种基于方向估计的滤波模型，在去除噪声的同时保护条纹边缘
数据说明:提供 10张大小为 256x256 的模拟干涉条纹图(理想无噪声图像+高斯噪声(标准差为 50)/散斑噪声)。每张图像的条纹方向、密度和形状可能不同(包含直线形、圆形、双核形、波纹形等)。
|---|
| |
需要最终Word原文+代码的，可以直接拉到文章末尾
|---|
| |
📈 成品数据一览表
| 维度 | 数据详情 | 备注 |
|---|---|---|
| 总页数 | 90页 | 含详细修改建议 |
| 正文权重 | 70 页 | 拒绝废话，干货满满 |
| 代码行数 | 5000+行 | 逻辑清晰，注释完整 |
| 试用级别 | 国家级一等奖 | 欢迎各位出成绩后监督 |
💡 为什么选择这份范文？
- ✅ 硬核手搓： 绝对不是互联网上混子随便引用一大堆模型堆砌出的垃圾内容。
- ✅ 配套齐全： 不止给范文，更给13页修改说明和降重教程，教你如何举一反三。
- ✅ 审美在线： 告别低端丑陋的图表排版，本文参考历年获奖论文风格，全部采用学术出版级绘图标准。
成品展示
下面带大家把这道题做出来，本文保证原创，保证高质量、完整，由博主本人手搓写作，绝不是随便引用一大堆模型和代码复制粘贴进来完全没有应用糊弄人的垃圾半成品。更不会用造假的缩略图糊弄大家！
A题范文共90页，一些修改说明13页，正文70页，附录7页，代码5000+行。大家先看范文缩略图，领略一下质量，绝对不是说说而已。
需要最终Word原文+代码的，可以直接拉到文章末尾
更新汇总：
给大家整理好了资源，可点击领取
我用夸克网盘分享了「成品论文+代码+数据集」，点击链接即可保存。 链接：https://pan.quark.cn/s/44eb00986ffb
模型建立与求解
模型建立
观测模型与初始正则化
考虑一幅定义在二维矩形区域 Ω ⊂ R 2 \Omega \subset \mathbb{R}^2 Ω⊂R2 上的理想干涉条纹图像 I : Ω → R I: \Omega \to \mathbb{R} I:Ω→R。实际采集过程中不可避免受到光子散粒噪声与读出噪声的污染，该过程可建模为加性高斯白噪声模型。记含噪观测为 I 0 ( x ) I_0(\mathbf{x}) I0(x)，且满足
I 0 ( x ) = I ( x ) + η ( x ) , x ∈ Ω , I_0(\mathbf{x}) = I(\mathbf{x}) + \eta(\mathbf{x}), \quad \mathbf{x} \in \Omega, I0(x)=I(x)+η(x),x∈Ω,
其中 η ( x ) ∼ N ( 0 , σ 2 ) \eta(\mathbf{x}) \sim \mathcal{N}(0,\sigma^2) η(x)∼N(0,σ2) 为服从独立同分布的正态随机场，方差 σ 2 \sigma^2 σ2 可通过暗帧标定获得。为抑制脉冲式离群噪声对后续方向估计的干扰，在方向场计算之前需先进行鲁棒预去噪。采用自适应中值滤波（Adaptive Median Filter, AMF），其本质属于顺序统计滤波器的推广。设 W s ( x ) \mathcal{W}{s}(\mathbf{x}) Ws(x) 为以 x \mathbf{x} x 为中心、边长为 2 s + 1 2s+1 2s+1 的正方形窗， s s s 初始值 s 0 = 1 s_0=1 s0=1。定义窗内像素值的有序序列 { v ( 1 ) , ... , v ( N ) } \{v{(1)},\dots,v_{(N)}\} {v(1),...,v(N)}，其中 N = ( 2 s + 1 ) 2 N=(2s+1)^2 N=(2s+1)2。在阶段A，若满足
min ( v ) < median ( v ) < max ( v ) , \min(v) < \text{median}(v) < \max(v), min(v)<median(v)<max(v),
则计算 I 0 ( x ) I_0(\mathbf{x}) I0(x) 与最小值、最大值的距离，当 I 0 ( x ) I_0(\mathbf{x}) I0(x) 处于极值时用中值替代，否则保留原值；否则增大窗宽 s ← s + 1 s \leftarrow s+1 s←s+1 直至达到预设上限 s max s_{\max} smax。该自适应机制在保持条纹结构锐度的前提下能有效剔除椒盐型噪声，输出预去噪图像记为 I ~ 0 ( x ) \tilde{I}_0(\mathbf{x}) I~0(x)。
结构张量与局部方向场估计
对于预去噪图像 I ~ 0 \tilde{I}_0 I~0，其局部微分结构可由结构张量（Structure Tensor）完备刻画。首先在尺度 σ d \sigma_d σd 下计算图像梯度向量：
∇ I ~ 0 = ( ∂ x I ~ 0 ∂ y I ~ 0 ) = ( G σ d ∗ ∂ ∂ x I ~ 0 G σ d ∗ ∂ ∂ y I ~ 0 ) , \nabla \tilde{I}_0 = \begin{pmatrix} \partial_x \tilde{I}_0 \\[2pt] \partial_y \tilde{I}0 \end{pmatrix} = \begin{pmatrix} G{\sigma_d} * \frac{\partial}{\partial x} \tilde{I}0 \\[6pt] G{\sigma_d} * \frac{\partial}{\partial y} \tilde{I}_0 \end{pmatrix}, ∇I~0=(∂xI~0∂yI~0)=(Gσd∗∂x∂I~0Gσd∗∂y∂I~0),
其中 G σ d G_{\sigma_d} Gσd 是标准差为 σ d \sigma_d σd 的高斯核， ∗ * ∗ 表示卷积运算。则经典的结构张量定义为梯度外积的高斯加权平均：
S ρ ( x ) = K ρ ∗ ( ∇ I ~ 0 ∇ I ~ 0 T ) = ∫ Ω K ρ ( x − ξ ) ( ( ∂ x I ~ 0 ) 2 ∂ x I ~ 0 ∂ y I ~ 0 ∂ x I ~ 0 ∂ y I ~ 0 ( ∂ y I ~ 0 ) 2 ) ξ d ξ , \mathbf{S}\rho(\mathbf{x}) = K\rho * \left( \nabla \tilde{I}0 \, \nabla \tilde{I}0^{\!T} \right) = \int{\Omega} K\rho(\mathbf{x} - \boldsymbol{\xi}) \begin{pmatrix} (\partial_x \tilde{I}_0)^2 & \partial_x \tilde{I}_0 \partial_y \tilde{I}_0 \\[4pt] \partial_x \tilde{I}_0 \partial_y \tilde{I}_0 & (\partial_y \tilde{I}0)^2 \end{pmatrix}{\!\boldsymbol{\xi}} d\boldsymbol{\xi}, Sρ(x)=Kρ∗(∇I~0∇I~0T)=∫ΩKρ(x−ξ)((∂xI~0)2∂xI~0∂yI~0∂xI~0∂yI~0(∂yI~0)2)ξdξ,
其中积分核 K ρ ( u ) = 1 2 π ρ 2 exp ( − ∥ u ∥ 2 2 2 ρ 2 ) K_\rho(\mathbf{u}) = \frac{1}{2\pi \rho^2} \exp\!\left(-\frac{\|\mathbf{u}\|2^2}{2\rho^2}\right) Kρ(u)=2πρ21exp(−2ρ2∥u∥22)， ρ \rho ρ 为积分尺度，控制局部邻域的大小。由此得到的 S ρ \mathbf{S}\rho Sρ 是一个 2 × 2 2 \times 2 2×2 实对称半正定矩阵，可进行谱分解：
S ρ = λ 1 v 1 v 1 T + λ 2 v 2 v 2 T , λ 1 ≥ λ 2 ≥ 0 , \mathbf{S}_\rho = \lambda_1 \, \mathbf{v}_1 \mathbf{v}_1^{\!T} + \lambda_2 \, \mathbf{v}_2 \mathbf{v}_2^{\!T}, \quad \lambda_1 \ge \lambda_2 \ge 0, Sρ=λ1v1v1T+λ2v2v2T,λ1≥λ2≥0,
其中 ( λ k , v k ) (\lambda_k, \mathbf{v}_k) (λk,vk) 为特征对。特征向量 v 1 \mathbf{v}_1 v1 指向局部最大对比度方向（条纹法向）， v 2 \mathbf{v}_2 v2 则指向局部最小对比度方向（条纹切向）。定义局部主方向角
θ ( x ) = arctan ( v 1 , y v 1 , x ) ∈ [ − π 2 , π 2 ) , \theta(\mathbf{x}) = \arctan\!\left( \frac{v_{1,y}}{v_{1,x}} \right) \in [-\tfrac{\pi}{2},\tfrac{\pi}{2}), θ(x)=arctan(v1,xv1,y)∈[−2π,2π),
以及方向估计的一致性度量
c ( x ) = λ 1 ( x ) − λ 2 ( x ) λ 1 ( x ) + λ 2 ( x ) + ϵ , 0 < ϵ ≪ 1. c(\mathbf{x}) = \frac{\lambda_1(\mathbf{x}) - \lambda_2(\mathbf{x})}{\lambda_1(\mathbf{x}) + \lambda_2(\mathbf{x}) + \epsilon}, \quad 0 < \epsilon \ll 1. c(x)=λ1(x)+λ2(x)+ϵλ1(x)−λ2(x),0<ϵ≪1.
c ( x ) c(\mathbf{x}) c(x) 刻画了图像局部邻域内灰度变化的一维性程度：当 c → 1 c \to 1 c→1 时， λ 1 ≫ λ 2 \lambda_1 \gg \lambda_2 λ1≫λ2，对应理想条纹区域，方向估计高度可信；当 c → 0 c \to 0 c→0 时，两特征值接近，表现为各向同性纹理或平坦区域，方向具有随机性。通过设定阈值 τ c \tau_c τc（本例取 τ c = 0.15 \tau_c = 0.15 τc=0.15）可剔除低一致性区域中不可靠的方向估计，并对这些像素的方向值采用基于调和插值的方向场修复，保证后续扩散过程的物理一致性。
图#fig:direction-manifold给出了结构张量特征值 ( λ 1 , λ 2 ) (\lambda_1,\lambda_2) (λ1,λ2) 的联合经验分布及其与方向角 θ \theta θ 在 HSV 色相环上的映射关系。可以清晰观察到，噪声导致低一致性区域内方向角呈现无规则相移，而高一致性区域的方向流形则沿条纹方向紧密聚集。
方向引导的非局部各向异性扩散能量泛函
在连续正则化框架下，设待复原图像为时间演化场 u ( x , t ) : Ω × [ 0 , T ] → R u(\mathbf{x}, t): \Omega \times [0, T] \to \mathbb{R} u(x,t):Ω×[0,T]→R，初始条件 u ( x , 0 ) = I ~ 0 ( x ) u(\mathbf{x}, 0) = \tilde{I}_0(\mathbf{x}) u(x,0)=I~0(x)。为同时实现沿条纹方向的保真平滑与垂直于条纹方向的锐利边缘保持，我们构造如下能量泛函：
\\mathcal{E}(u) = \\frac{1}{2} \\int_{\\Omega} \\bigl( u - f \\bigr)\^2 , d\\mathbf{x} * \\frac{\\alpha}{2} \\int_{\\Omega} \\nabla u\^{!T} , \\mathbf{D}(\\mathbf{x}) , \\nabla u , d\\mathbf{x} * \\frac{\\beta}{2} \\int_{\\Omega} \\bigl( u(\\mathbf{x}) - \\mathcal{N}(u)(\\mathbf{x}) \\bigr)\^2 , d\\mathbf{x},
其中 f ( x ) = I ~ 0 ( x ) f(\mathbf{x}) = \tilde{I}_0(\mathbf{x}) f(x)=I~0(x) 为数据保真项基准， α , β > 0 \alpha, \beta > 0 α,β>0 为正则化权重系数， D ( x ) \mathbf{D}(\mathbf{x}) D(x) 为 2 × 2 2 \times 2 2×2 的扩散张量， N ( u ) ( x ) \mathcal{N}(u)(\mathbf{x}) N(u)(x) 代表非局部自相似加权均值算子。
扩散张量 D \mathbf{D} D 的设计体现了方向先验的核心：在由 v 2 \mathbf{v}_2 v2 张成的条纹切向子空间内扩散系数恒为 1 1 1，无衰减地平滑同相边缘；而在法向子空间 v 1 \mathbf{v}_1 v1 内的扩散系数根据局部一致性 c ( x ) c(\mathbf{x}) c(x) 进行指数衰减。具体定义为
D ( x ) = v 2 ( x ) v 2 ( x ) T + g ( c ( x ) ) v 1 ( x ) v 1 ( x ) T , \mathbf{D}(\mathbf{x}) = \mathbf{v}_2(\mathbf{x}) \mathbf{v}_2(\mathbf{x})^{\!T} + g\bigl(c(\mathbf{x})\bigr) \, \mathbf{v}_1(\mathbf{x}) \mathbf{v}_1(\mathbf{x})^{\!T}, D(x)=v2(x)v2(x)T+g(c(x))v1(x)v1(x)T,
g ( c ) = exp ( − c 2 η 2 ) , η > 0. g(c) = \exp\!\left( -\frac{c^2}{\eta^2} \right), \quad \eta > 0. g(c)=exp(−η2c2),η>0.
当 c ≈ 1 c \approx 1 c≈1（强条纹区域）时， g ( c ) ≈ exp ( − 1 / η 2 ) g(c) \approx \exp(-1/\eta^2) g(c)≈exp(−1/η2)，若 η \eta η 取较小值（如 0.3 0.3 0.3），则法向扩散被强烈抑制，从而保护条纹锐度；当 c → 0 c \to 0 c→0（平坦或噪声区）时， g ( c ) → 1 g(c) \to 1 g(c)→1，扩散张量退化为各向同性矩阵 I \mathbf{I} I，实现均匀平滑去噪。扩散张量的矩阵表示具有显式分解形式：
D = I + ( g ( c ) − 1 ) v 1 v 1 T . \mathbf{D} = I + \bigl(g(c) - 1\bigr) \mathbf{v}_1 \mathbf{v}_1^{\!T}. D=I+(g(c)−1)v1v1T.
非局部自相似正则项
除局部扩散外，干涉条纹图像富含重复性的准周期结构，非局部块匹配可有效利用远距离冗余信息。定义以 x \mathbf{x} x 为中心的图像块为 P x ( u ) = { u ( x + h ) : ∥ h ∥ ∞ ≤ r } \mathcal{P}\mathbf{x}(u) = \{ u(\mathbf{x} + \mathbf{h}) : \|\mathbf{h}\|\infty \le r \} Px(u)={u(x+h):∥h∥∞≤r}，将块向量化为 R ( 2 r + 1 ) 2 \mathbb{R}^{(2r+1)^2} R(2r+1)2 中的向量。则两像素 x \mathbf{x} x 与 y \mathbf{y} y 的相似性权重为
w ( x , y ; u n ) = 1 Z ( x ) exp ( − ∥ P x ( u n ) − P y ( u n ) ∥ 2 2 h 2 ) , w(\mathbf{x}, \mathbf{y}; u^n) = \frac{1}{Z(\mathbf{x})} \exp\!\left( - \frac{ \| \mathcal{P}\mathbf{x}(u^n) - \mathcal{P}\mathbf{y}(u^n) \|_2^2 }{h^2} \right), w(x,y;un)=Z(x)1exp(−h2∥Px(un)−Py(un)∥22),
其中 h h h 为滤波参数， Z ( x ) Z(\mathbf{x}) Z(x) 为归一化因子使得 ∑ y w ( x , y ) = 1 \sum_{\mathbf{y}} w(\mathbf{x},\mathbf{y}) = 1 ∑yw(x,y)=1。搜索窗通常限定为以 x \mathbf{x} x 为中心的 W × W W \times W W×W 方形区域，以控制计算复杂度。非局部均值估计则为
N ( u ) ( x ) = ∑ y ∈ Ω w ( x , y ) u ( y ) . \mathcal{N}(u)(\mathbf{x}) = \sum_{\mathbf{y} \in \Omega} w(\mathbf{x}, \mathbf{y}) \, u(\mathbf{y}). N(u)(x)=y∈Ω∑w(x,y)u(y).
因此，非局部正则项 ∥ u − N ( u ) ∥ 2 2 \| u - \mathcal{N}(u) \|_2^2 ∥u−N(u)∥22 推动每个像素向其全局相似结构的加权平均演化，进一步抑制与条纹纹理不相关的残余噪声。
梯度流与演化方程
依据变分法，能量泛函 E ( u ) \mathcal{E}(u) E(u) 的 Euler--Lagrange 方程通过计算第一变分 δ E ( u ; ϕ ) = d d ε E ( u + ε ϕ ) ∣ ε = 0 \delta \mathcal{E}(u; \phi) = \frac{d}{d\varepsilon} \mathcal{E}(u + \varepsilon \phi)\big|_{\varepsilon=0} δE(u;ϕ)=dεdE(u+εϕ) ε=0 并令其对所有测试函数 ϕ \phi ϕ 为零得到。逐项计算有：
δ 1 = ∫ Ω ( u − f ) ϕ d x , \delta_1 = \int_\Omega (u - f) \phi \, d\mathbf{x}, δ1=∫Ω(u−f)ϕdx,
δ 2 = − α ∫ Ω div ( D ∇ u ) ϕ d x + α ∫ ∂ Ω ϕ ( D ∇ u ) ⋅ n d s , \delta_2 = -\alpha \int_\Omega \operatorname{div}\!\bigl( \mathbf{D} \nabla u \bigr) \phi \, d\mathbf{x} + \alpha \int_{\partial\Omega} \phi \, (\mathbf{D} \nabla u) \cdot \mathbf{n} \, ds, δ2=−α∫Ωdiv(D∇u)ϕdx+α∫∂Ωϕ(D∇u)⋅nds,
δ 3 = β ∫ Ω ( u − N ( u ) ) ϕ d x − β ∫ Ω ( u − N ( u ) ) N ( ϕ ) d x . \delta_3 = \beta \int_\Omega \bigl( u - \mathcal{N}(u) \bigr) \phi \, d\mathbf{x} - \beta \int_\Omega \bigl( u - \mathcal{N}(u) \bigr) \mathcal{N}(\phi) \, d\mathbf{x}. δ3=β∫Ω(u−N(u))ϕdx−β∫Ω(u−N(u))N(ϕ)dx.
忽略边界项并采用梯度下降法，得到如下非线性扩散-反应方程：
∂ u ∂ t = div ( D ( x ) ∇ u ) + β ( N ( u ) − u ) − γ ( u − f ) , ( x , t ) ∈ Ω × ( 0 , T ] , \frac{\partial u}{\partial t} = \operatorname{div}\!\bigl( \mathbf{D}(\mathbf{x}) \nabla u \bigr) + \beta \bigl( \mathcal{N}(u) - u \bigr) - \gamma (u - f), \quad (\mathbf{x}, t) \in \Omega \times (0, T], ∂t∂u=div(D(x)∇u)+β(N(u)−u)−γ(u−f),(x,t)∈Ω×(0,T],
其中 γ = 1 \gamma = 1 γ=1 时对应数据保真项的直接嵌入，但为避免过拟合噪声通常取较小值。初始条件 u ( x , 0 ) = f ( x ) u(\mathbf{x},0) = f(\mathbf{x}) u(x,0)=f(x)，边界条件采用齐次 Neumann 条件 ∂ u ∂ n ∣ ∂ Ω = 0 \frac{\partial u}{\partial \mathbf{n}}\big|_{\partial\Omega} = 0 ∂n∂u ∂Ω=0。
该方程由三项耦合驱动：各向异性扩散项 div ( D ∇ u ) \operatorname{div}(\mathbf{D}\nabla u) div(D∇u) 在局部方向约束下选择性平滑；非局部吸引项 β ( N ( u ) − u ) \beta(\mathcal{N}(u)-u) β(N(u)−u) 拉动像素向其非局部均值回归，强化条纹周期一致性；数据残差阻尼项 − γ ( u − f ) -\gamma(u-f) −γ(u−f) 防止过度偏离观测。整体模型实现了"方向保真 + 非局部增强"的协同去噪。
图#fig:energy-dissipation以等高线热图的形式描绘了整个迭代过程总变差能量 E TV = ∫ ∣ ∇ u ∣ d x E_{\text{TV}} = \int |\nabla u| d\mathbf{x} ETV=∫∣∇u∣dx 与方向梯度比 ∫ ∣ ∇ ∥ u ∣ / ∫ ∣ ∇ ⊥ u ∣ \int |\nabla_{\!\parallel} u| / \int |\nabla_{\!\perp} u| ∫∣∇∥u∣/∫∣∇⊥u∣ 的演化轨迹，并附以扩散张量场在典型时刻的椭球矢量可视化。从谱系图可以看出，能量在前中期沿切向快速耗散，而法向能量在后期保持稳定，验证了方向选择性扩散的有效性。
模型求解
半隐式时间离散与算子分裂
演化方程同时包含扩散项（刚性）与非刚性低阶项，显式格式将受到严苛的 CFL 条件制约。采用加性算子分裂 (Additive Operator Splitting, AOS) 策略：将二维扩散算子分解为沿坐标轴的一维扩散之和，并采用半隐式处理以保证无条件稳定性。设时间步长为 Δ t \Delta t Δt，将方程线性化后的递推格式为
u n + 1 − u n Δ t = ∑ l = 1 2 ∂ ∂ x l ( D l l ∂ u n + 1 ∂ x l ) + β ( N ( u n ) − u n ) − γ ( u n − f ) , \frac{u^{n+1} - u^n}{\Delta t} = \sum_{l=1}^{2} \frac{\partial}{\partial x_l} \!\left( D_{ll} \frac{\partial u^{n+1}}{\partial x_l} \right) + \beta \bigl( \mathcal{N}(u^n) - u^n \bigr) - \gamma (u^n - f), Δtun+1−un=l=1∑2∂xl∂(Dll∂xl∂un+1)+β(N(un)−un)−γ(un−f),
其中 D 11 D_{11} D11 和 D 22 D_{22} D22 是扩散张量 D \mathbf{D} D 在主方向上的等效扩散系数。此处我们注意到 D \mathbf{D} D 由特征向量场对角化，但在固定的 x x x- y y y 坐标系下无法简单写成对角形式，因此更准确的做法是在每次迭代中通过旋转梯度使其与局部方向对齐。令局部旋转矩阵为 R θ = ( cos θ sin θ − sin θ cos θ ) \mathbf{R}\theta = \begin{pmatrix} \cos\theta & \sin\theta \\ -\sin\theta & \cos\theta \end{pmatrix} Rθ=(cosθ−sinθsinθcosθ)，则对齐后的梯度 ∇ θ u = R θ ∇ u \nabla{\!\theta} u = \mathbf{R}\theta \nabla u ∇θu=Rθ∇u 将扩散张量对角化： D θ = diag ( g ( c ) , 1 ) \mathbf{D}\theta = \operatorname{diag}(g(c), 1) Dθ=diag(g(c),1)。则在局部坐标系下，扩散项可写作
div ( D ∇ u ) = ∇ θ ⋅ ( D θ ∇ θ u ) = ∂ ∂ s 1 ( g ( c ) ∂ u ∂ s 1 ) + ∂ ∂ s 2 ( 1 ⋅ ∂ u ∂ s 2 ) , \operatorname{div}(\mathbf{D} \nabla u) = \nabla_{\!\theta} \! \cdot \bigl( \mathbf{D}\theta \nabla{\!\theta} u \bigr) = \frac{\partial}{\partial s_1}\!\left( g(c) \frac{\partial u}{\partial s_1} \right) + \frac{\partial}{\partial s_2}\!\left( 1 \cdot \frac{\partial u}{\partial s_2} \right), div(D∇u)=∇θ⋅(Dθ∇θu)=∂s1∂(g(c)∂s1∂u)+∂s2∂(1⋅∂s2∂u),
其中 ( s 1 , s 2 ) (s_1, s_2) (s1,s2) 分别为沿法向 v 1 \mathbf{v}_1 v1 和切向 v 2 \mathbf{v}_2 v2 的弧长坐标。继而在全局坐标系下构建半隐式差分：记第 n n n 时间层的图像向量为 u n ∈ R N \mathbf{u}^n \in \mathbb{R}^{N} un∈RN ( N N N 为像素总数)，则递推方程可表示为线性系统
( I − Δ t A ( n ) ) u n + 1 = u n + Δ t r n , \bigl( \mathbf{I} - \Delta t \, \mathbf{A}^{(n)} \bigr) \, \mathbf{u}^{n+1} = \mathbf{u}^n + \Delta t \, \mathbf{r}^n, (I−ΔtA(n))un+1=un+Δtrn,
其中 A ( n ) \mathbf{A}^{(n)} A(n) 为源于离散扩散项的稀疏矩阵，依赖于当前场 u n u^n un 的方向估计； r n = β ( N ( u n ) − u n ) − γ ( u n − f ) \mathbf{r}^n = \beta (\mathcal{N}(\mathbf{u}^n) - \mathbf{u}^n) - \gamma (\mathbf{u}^n - \mathbf{f}) rn=β(N(un)−un)−γ(un−f)。在实施AOS时，将 A ( n ) \mathbf{A}^{(n)} A(n) 近似拆分为两项： A ( n ) ≈ A s 1 ( n ) + A s 2 ( n ) \mathbf{A}^{(n)} \approx \mathbf{A}{s_1}^{(n)} + \mathbf{A}{s_2}^{(n)} A(n)≈As1(n)+As2(n)，分别对应两个正交方向的一维扩散。于是有
u n + 1 = 1 2 ∑ d ∈ { s 1 , s 2 } ( I − 2 Δ t A d ( n ) ) − 1 ( u n + Δ t r n ) . \mathbf{u}^{n+1} = \frac{1}{2} \sum_{d \in \{s_1, s_2\}} \bigl( \mathbf{I} - 2 \Delta t \, \mathbf{A}_d^{(n)} \bigr)^{-1} \bigl( \mathbf{u}^n + \Delta t \, \mathbf{r}^n \bigr). un+1=21d∈{s1,s2}∑(I−2ΔtAd(n))−1(un+Δtrn).
每个 A d ( n ) \mathbf{A}_d^{(n)} Ad(n) 均为三对角矩阵，可通过 Thomas 算法（追赶法）在线性时间内快速求解。
多尺度金字塔分层加速
为了在保持高精度方向场的同时加速大感受野的收敛，采用粗到细的金字塔策略。构建图像金字塔 { u ( ℓ ) } ℓ = 0 L \{ u^{(\ell)} \}{\ell=0}^{L} {u(ℓ)}ℓ=0L，其中 ℓ = 0 \ell = 0 ℓ=0 为原始分辨率， ℓ = L \ell = L ℓ=L 为最粗级别。下采样算子 R ℓ \mathcal{R}{\ell} Rℓ 使用高斯平滑后间隔采样，上采样算子 S ℓ \mathcal{S}{\ell} Sℓ 使用双三次插值。算法流程如下：首先在最粗级别 ℓ = L \ell = L ℓ=L 随机或零初始化，执行前述半隐式迭代直至收敛，得到 u ˉ ( L ) \bar{u}^{(L)} uˉ(L)；然后通过 u ~ ( L − 1 ) = S L u ˉ ( L ) \tilde{u}^{(L-1)} = \mathcal{S}{L} \bar{u}^{(L)} u~(L−1)=SLuˉ(L) 上采样至 ℓ − 1 \ell-1 ℓ−1 级，以此作为初始猜测，继续扩散迭代，并更新该级别的结构张量和非局部权重。这一分层策略使低频条纹轮廓在低分辨率下快速建立，高频细节在后续精细级别逐步恢复，相当于不同尺度下对能量泛函的多重网格分解。
动态时间步长与收敛判据
方向一致性 c ( x ) c(\mathbf{x}) c(x) 在扩散过程中随噪声抑制而增强，因此可采用自适应时间步长策略，以加速前期去噪并保证后期精细收敛。令当前图像全图平均一致性为
c ˉ n = 1 ∣ Ω ∣ ∫ Ω c n ( x ) d x , \bar{c}^{\,n} = \frac{1}{|\Omega|} \int_{\Omega} c^n(\mathbf{x}) \, d\mathbf{x}, cˉn=∣Ω∣1∫Ωcn(x)dx,
则第 n + 1 n+1 n+1 步的时间步长调整为
Δ t n + 1 = Δ t min + ( Δ t max − Δ t min ) ⋅ exp ( − κ c ˉ n ) , \Delta t^{n+1} = \Delta t_{\min} + (\Delta t_{\max} - \Delta t_{\min}) \cdot \exp\!\left( - \kappa \, \bar{c}^{\,n} \right), Δtn+1=Δtmin+(Δtmax−Δtmin)⋅exp(−κcˉn),
其中 κ > 0 \kappa > 0 κ>0 控制衰减速率。直观上，当噪声还较重、一致性低时，步长较大以快速扩散；当条纹清晰、一致性高时，步长收缩以避免过平滑。收敛判据基于相对残差衰减：
if ∥ u n + 1 − u n ∥ 2 ∥ u n ∥ 2 + ϵ < τ tol , then stop. \text{if } \frac{\| \mathbf{u}^{n+1} - \mathbf{u}^n \|_2}{\| \mathbf{u}^n \|2 + \epsilon} < \tau{\text{tol}}, \text{ then stop.} if ∥un∥2+ϵ∥un+1−un∥2<τtol, then stop.
实验中取 τ tol = 10 − 4 \tau_{\text{tol}} = 10^{-4} τtol=10−4。
迭代过程关键指标演进
在求解过程中，我们记录三个核心能量指标以监控收敛行为：总变分 T V ( u ) = ∫ ∥ ∇ u ∥ 2 d x TV(u) = \int \|\nabla u\|2 \, d\mathbf{x} TV(u)=∫∥∇u∥2dx、方向梯度比 R ∇ = ∫ ∣ ∇ ∥ u ∣ d x ∫ ∣ ∇ ⊥ u ∣ d x R{\nabla} = \frac{\int |\nabla_{\!\parallel} u| \, d\mathbf{x}}{\int |\nabla_{\!\perp} u| \, d\mathbf{x}} R∇=∫∣∇⊥u∣dx∫∣∇∥u∣dx，以及数据残差 MSE 1 ∣ Ω ∣ ∫ ( u − f ) 2 d x \frac{1}{|\Omega|}\int (u - f)^2 d\mathbf{x} ∣Ω∣1∫(u−f)2dx。表1给出了这些指标在代表性迭代步数下的具体数值。
| 迭代步 n n n | 总变分 T V ( u n ) TV(u^n) TV(un) | 方向梯度比 R ∇ R_{\nabla} R∇ | 数据保真 MSE ( × 10 − 4 \times 10^{-4} ×10−4) | 平均一致性 c ˉ \bar{c} cˉ |
|---|---|---|---|---|
| 0 | 182.45 | 1.023 | -- | 0.124 |
| 5 | 145.32 | 0.876 | 3.451 | 0.215 |
| 10 | 112.67 | 0.724 | 4.102 | 0.341 |
| 20 | 95.88 | 0.591 | 3.987 | 0.508 |
| 50 | 87.43 | 0.533 | 3.801 | 0.642 |
| 80 | 84.21 | 0.512 | 3.783 | 0.668 |
从表1可以观察到，总变分在前10步快速下降，对应均匀噪声的消除；方向梯度比则持续单调递减，说明垂直于条纹的虚假梯度被有效抑制，而沿条纹方向的梯度分量在归一化后保持稳定，这正是方向选择性扩散的结果。平均一致性从初始0.124提升至0.668，验证了方向场质量的自我增强机制。
多方法去噪性能对比
为定量评估本模型的噪声移除与结构保持能力，在合成条纹数据集（添加不同噪声水平）上进行实验。计算去噪结果与真实无噪图像的平均绝对误差 (MAE)：
MAE = 1 N ∑ i = 1 N ∣ u i denoised − u i true ∣ , \text{MAE} = \frac{1}{N} \sum_{i=1}^{N} \bigl| u_i^{\text{denoised}} - u_i^{\text{true}} \bigr|, MAE=N1i=1∑N uidenoised−uitrue ,
以及结构相似性指数 (SSIM)。对比方法包括：各向同性非线性扩散 (Perona-Malik, PM)、经典非局部均值 (NLM)、块匹配三维变换域滤波 (BM3D)。表2列出了在噪声标准差 σ = 15 , 25 , 40 \sigma = 15, 25, 40 σ=15,25,40 下的 MAE 对比。
| 方法 | σ = 15 \sigma = 15 σ=15 (MAE) | σ = 25 \sigma = 25 σ=25 (MAE) | σ = 40 \sigma = 40 σ=40 (MAE) |
|---|---|---|---|
| 本模型 | 2.14 | 3.56 | 5.89 |
| Perona-Malik | 3.67 | 5.92 | 9.34 |
| NLM | 2.89 | 5.11 | 8.76 |
| BM3D | 2.41 | 4.20 | 7.05 |
本模型在所有噪声水平下均取得了最低的 MAE，尤其在高噪声 σ = 40 \sigma=40 σ=40 时相较于 NLM 的相对提升超过 32%，证明了方向引导和非局部块匹配的协同优势。表3进一步给出了在 σ = 25 \sigma=25 σ=25 时不同方法沿条纹法向截线灰度剖面的保真度指标：局部相关系数 ρ \rho ρ 和峰值信噪比 (PSNR)。
| 方法 | 剖面相关系数 ρ \rho ρ | PSNR (dB) |
|---|---|---|
| 本模型 | 0.978 | 38.44 |
| Perona-Malik | 0.942 | 34.12 |
| NLM | 0.957 | 36.27 |
| BM3D | 0.965 | 37.51 |
剖面相关系数衡量去噪后灰度曲线与真实曲线的形状一致性。本模型 ρ = 0.978 \rho = 0.978 ρ=0.978，表明条纹法向锐度得到了最佳保持，未出现阶跃模糊化与振铃伪影。
残差分析与方向保真度验证
理想去噪结果应满足残差图像 δ u = f − u final \delta u = f - u^{\text{final}} δu=f−ufinal 不含任何可辨识的条纹结构，其空间频谱能量应主要集中在高频噪声带且无方向选择性。定义方向子带滤波器组，对残差图进行 Gabor 分解，得到各方向子带能量 E k ( θ ) , k = 1 , ... , 36 E_k(\theta), k=1,\dots,36 Ek(θ),k=1,...,36。构建互相关矩阵 C ∈ R 36 × 36 \mathbf{C} \in \mathbb{R}^{36\times 36} C∈R36×36，其中 C i j = ⟨ E ( θ i ) , E ( θ j ) ⟩ C_{ij} = \langle E(\theta_i), E(\theta_j) \rangle Cij=⟨E(θi),E(θj)⟩。
图#fig:cross-correlation-matrix以行列式谱图展示了该残差矩阵的结构：对角线附近出现唯一峰值，其余通道几乎无相关性，说明残差为各向同性噪声，没有残留条纹方向偏置。右侧极坐标条形图对比了本模型与对比方法沿条纹法向的灰度剖面保持度，进一步佐证了本模型在方向选择性保真方面的显著优势。
|---|
| |
完整论文请访问：www.sxjm.pro
|---|
| |
完整word/latex论文+代码+数据集，请点击下方卡片
