✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

一、研究背景

1. 图像噪声问题与传统去噪缺陷

图像在无人机成像、遥感、医学 CT/MRI、可见光传感传输过程中，易受椒盐噪声、脉冲噪声、异常值污染，这类噪声服从拉普拉斯分布，适合用 L1 损失建模；高斯噪声适配 L2 损失，但 L2 对脉冲野值极度敏感，会过度平滑边缘、丢失细小纹理。

• L2 最小二乘去噪：抑制高斯噪声效果好，但对脉冲噪声鲁棒性差，边缘模糊；

• L1 数据保真项：对脉冲、椒盐噪声、异常观测值具备强鲁棒性，能保留图像突变结构；

2. TV 总变差正则化的优势与求解痛点

总变差（Total Variation, TV）由 Rudin、Osher、Fatemi 提出（ROF 模型），核心作用是分段平滑、保留边缘，完美解决高斯平滑类滤波器过度模糊轮廓的问题。标准 TV 模型：

TV-L1 模型固有求解难点

1. 目标函数含两处不可微项：L1范数、TV 正则（梯度 1 范数），无显式解析解；

2. 梯度下降、牛顿法无法直接使用，次梯度法收敛极慢；

3. 原始对偶、Chambolle 投影算法仅适配 TV-L2，对 TV-L1 收敛稳定性差；

4. 大尺寸遥感 / 无人机图像矩阵维度极高，传统迭代算法内存开销大、计算耗时。

3. ADMM 算法的引入契机

交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）源于增广拉格朗日分裂，适合多块可分凸优化问题：

1. 可将 TV-L1 中两处非光滑范数项变量分离，拆分为多个简单子问题；

2. 每个子问题存在闭式解析解（软阈值、投影算子），迭代计算轻量化；

3. 收敛稳定、并行友好，适配大规模图像矩阵；

4. 相比传统原始对偶算法，调参简单、鲁棒性强，工程实现门槛低。

4. 应用价值背景

无人机航拍、地质勘探 ERT 成像、医学影像、工业视觉中大量存在脉冲噪声，TV-L1 去噪是工业标准模型；而 ADMM 是当前求解 TV-L1 最主流、落地最广的数值框架，广泛用于 MATLAB/Python 仿真、嵌入式实时图像预处理，具备完整工程意义。

⛳️ 运行结果

🔗 参考文献

[1]徐金环.基于低秩子空间表示的高光谱图像分类方法研究[D].南京理工大学[2026-07-19].

🍅往期回顾扫扫下方二维码