《Digital Signal Processing》：A Resolution-Adapted Fractional Telegraph Diffusion Method for Image Denoising
编辑推荐：
偏微分方程（PDEs）已发展成为图像去噪的有力工具。本文提出一种引入分辨率参数的分数阶电报扩散方程，并在傅里叶域中实现三种分数阶差分格式——后向、前向和中心格式。稳定性分析表明，在模型中加入分辨率参数后，三种格式均可获得更快收敛，其中前向与后向格式尤为有利。该
偏微分方程（PDEs）已发展成为图像去噪的有力工具。本文提出一种引入分辨率参数的分数阶电报扩散方程，并在傅里叶域中实现三种分数阶差分格式——后向、前向和中心格式。稳定性分析表明，在模型中加入分辨率参数后，三种格式均可获得更快收敛，其中前向与后向格式尤为有利。该模型进一步被调整用于去除受加性噪声与乘性噪声污染的图像。基于信噪比（SNR）和多尺度结构相似性（MSSSIM）指标的定性与定量实验表明，与文献中现有方法相比，该方法能够显著提升图像质量。所提出方法的计算时间明显低于大多数其他基于扩散的方法，并且在许多情况下，前向和后向差分格式在质量指标和计算时间两方面均优于中心格式。
该文发表于《Digital Signal Processing》，研究主题聚焦于偏微分方程（PDEs，描述连续空间—时间演化的数学模型）框架下的图像去噪问题，尤其是分数阶电报扩散模型在去噪效率、稳定性与多类噪声适应性方面的改进。图像去噪是图像处理中的基础任务，而扩散型模型因兼具数学可解释性与良好的边缘保持能力，长期受到关注。经典各向异性扩散通过扩散系数调控平滑强度，能够在一定程度上抑制噪声并保留结构信息，但仍存在阶梯效应、细节损失、收敛效率有限等问题。为缓解这些不足，研究领域先后引入总变分、时间分数阶微分、扩散系数修正、模型耦合以及高阶扩散等策略。进一步地，分数阶空间微分因能够更灵活地刻画非局部结构与纹理信息，在加性噪声、乘性噪声、去模糊、去雾、修复和医学图像处理等任务中表现出较强潜力。与此同时，电报扩散（TeD）模型通过在时间维加入二阶导数与阻尼项，使模型兼具扩散与波动传播特性，为改善传统扩散模型的动态响应提供了新路径。然而，既有分数阶电报扩散研究主要集中于扩散系数修正，且数值求解多依赖空间离散格式，对于分辨率因素如何融入模型、不同分数阶差分格式如何影响稳定性与收敛效率，相关研究仍较为有限。因此，开展这项研究具有明确必要性：一方面需要提升分数阶TeD模型的收敛速度和计算效率，另一方面需要增强其对加性噪声与乘性噪声的统一处理能力。
围绕上述问题，研究人员提出了一种分辨率自适应的分数阶电报扩散方法。该方法以分数阶TeD方程为核心，在原有模型基础上引入分辨率参数，用于通过空间变量邻域变化调节分数阶微分算子；同时在傅里叶域构建三种不同的分数阶差分方案，即前向差分、后向差分和中心差分，从而将模型在“分辨率适配”和“差分离散形式”两个层面同时推广。研究人员通过稳定性分析说明，新模型允许采用更大的时间步长，因此达到最终解所需迭代次数更少。随后，研究人员将该方法推广到受加性白高斯噪声和乘性噪声污染的图像去噪任务，并通过定性与定量实验评估其有效性。研究结论显示，该方法在信噪比（SNR）、峰值信噪比（PSNR）和多尺度结构相似性（MSSSIM）等指标上优于多类已有扩散模型，同时具备更低的计算代价。该研究的重要意义在于，它为分数阶电报扩散模型引入了新的分辨率调控机制与更具优势的数值实现路径，证明了前向/后向分数阶格式不仅可行，而且在不少情形下优于传统中心格式，这对于高效图像去噪算法设计具有方法论价值。
在技术方法上，研究人员主要采用以下几类关键手段：其一，以分数阶电报扩散方程为基础模型，在傅里叶域定义分数阶微分算子，并通过分辨率参数改变空间邻域尺度；其二，构建前向、后向和中心三种分数阶差分数值格式，并进行收敛与稳定性分析，以比较不同格式在时间步长和迭代效率上的性质；其三，分别面向加性白高斯噪声与乘性噪声建立去噪实验设置；其四，在8位、512×512灰度图像上开展定性与定量评估，采用SNR、PSNR与MSSSIM作为主要评价指标，并在MATLAB 2016b环境下统计计算时间。原文实验样本来源为标准灰度图像数据，未提供更具体的外部样本队列说明。
在“Proposed Fractional Telegraph Equation”部分，研究人员首先给出了所提分数阶TeD模型的精确表达，并在频域中定义了相应的分数阶微分算子。该部分的核心贡献在于：通过引入分辨率参数，将原本仅用于分数阶各向异性扩散的分辨率调节思想推广到分数阶TeD模型中；同时，提出前向、后向与中心三类分数阶差分格式，形成统一的频域数值求解框架。研究人员进一步围绕这些格式展开数值求解与收敛性分析，说明模型推广后不仅保留了分数阶扩散的结构优势，还在数值实现层面提供了更高效的迭代机制。对于噪声模型，该部分明确考虑了加性白高斯噪声对原始图像的污染形式，并指出模型也扩展到乘性噪声情形，这为后续实验研究奠定了统一理论基础。
在“Experimental Results”部分，研究人员基于8位、512×512像素灰度图像开展了系统实验，并在固定硬件与MATLAB 2016b环境下实施定量比较。通过这些实验，研究人员得出以下主要结论。首先，在图像质量方面，所提方法相较于文献中的各向异性扩散类方法、整数阶电报扩散方法以及分数阶电报扩散方法，能够取得更优的SNR、PSNR和MSSSIM结果，表明该模型在噪声抑制与结构保持之间实现了更理想的平衡。其次，在收敛行为方面，稳定性分析与实验结果相互印证：分辨率参数的引入提升了三种差分格式的收敛速度，使模型能够以更大时间步长运行并减少迭代次数。再次，在不同数值格式比较中，前向与后向差分格式表现突出，在许多情况下不仅质量指标优于中心格式，而且计算时间也更短，说明传统上更常用的中心格式并非该问题中的最优选择。最后，在噪声类型适应性方面，该方法不仅适用于加性噪声，也能够处理乘性噪声，显示出较好的应用广泛性。这些结果共同支持了研究人员关于模型有效性与高效性的论断。
在“Conclusion”部分，研究人员总结指出，将分辨率参数与三种分数阶差分格式引入分数阶TeD方法后，模型性能得到显著改善。根据原文结论，其核心内容可译为：在分数阶电报扩散方法中引入分辨率参数和三种分数阶差分格式带来了显著改进。首先，SNR、PSNR和MSSSIM指标表明，与基于各向异性扩散的方法以及整数阶和分数阶电报扩散方法相比，所提出方法具有更优性能。此外，所提出的TeD方法增强形式比文献中的其他方法耗时更少。结合前文摘要可进一步明确，在多数情况下，前向与后向差分格式在图像质量和计算时间方面均优于中心格式。由此可见，论文的讨论重点并不在于提出全新的噪声假设或复杂耦合机制，而在于通过“分辨率参数+频域分数阶差分格式”的组合，系统性改善分数阶TeD模型的数值效率和去噪表现。该研究的学术价值主要体现为三点：其一，拓展了分数阶TeD模型的参数化表达，使图像分辨率适应性成为模型设计的一部分；其二，通过稳定性分析解释了更大时间步长和更快收敛的理论依据；其三，经由加性与乘性噪声实验验证，该方法在性能与效率之间实现了良好统一，为后续分数阶偏微分方程图像处理研究提供了可借鉴的数值实现框架。总体而言，该文在不脱离经典扩散去噪理论主线的前提下，对分数阶电报扩散模型进行了针对性且有效的扩展，并证明了这些扩展在实际图像去噪任务中的应用价值。
