1、L1范数正则优化项：前两项为正则化项，最后一项为数据保真项，主要起到保留原图像特性和降低图像失真度的作用，μ为规整参数，对平衡去噪与平滑起重要作用加入二次惩罚项后利用分裂bregman算法解出带有迭代次数的u、b方程：d是加入的二次惩罚项，b是定义的为了加快收敛速度以及让去噪后的图像更加平滑，在运算过程中又分别用到了Gauss-Seidel迭代和shrink函数2、L2范数正则优化项：它的意义和L1范数正则化项的意义相同，在加入了二次惩罚项后，用分裂Bregman迭代算法解出带有迭代次数的u、b方程：L1范数正则化和L2范数正则化在计算d的方法上是不同的，L2范数正则化是将和一起算的，其中用表示的，最后结果为全变差图像去噪算法过程全变差图像去噪算法过程在实验中用到的是512X512的lena图像，其中为0.1，值为0.05，p值取的是0.1。下面是一组加入噪声标准方差为20的对比图像，主要由本文中的三种方法和中值去噪法进行对比Descriptionofthecontents实验结果分析实验结果分析表一噪声图像L1模型L2模型Lp模型中值方法PSNR22.13dB27.44dB28.83dB27.44dB25.89dB根据图像和表格相结合，可以看出全变差图像去噪效果明显优于中值去噪，并且在图像边缘处，全变差图像去噪很好的保留了真实图像的边缘细节实验结果分析Targeting总结与展望ThankYou!