基于梯度法的L2正则化最小二乘图像去噪代码无效果问题求助

让我来帮你梳理代码中的问题，你遇到的去噪效果不佳主要源于几个关键错误：

1. 学习率过小，迭代收敛速度极慢 #

你的优化问题是逐像素独立的（因为L2正则化和平方损失都是逐像素运算），其闭式解为：
$$x^* = \frac{y}{1+\lambda}$$
也就是说每个像素的最优解是含噪像素值除以$(1+\lambda)$。

而梯度下降的收敛速度严重依赖学习率：

• 目标函数的Lipschitz常数$L=2(1+\lambda)$，当$\lambda=5$时，$L=12$，所以学习率$p$的合理上限是$\frac{1}{L}≈0.083$。
• 你设置的$p=0.0001$远小于这个值，即使迭代600次，参数更新的幅度也极小，几乎和初始的含噪图像没有差异。

2. PSNR计算逻辑错误 #

你连续两次对psnr变量赋值，第二次会直接覆盖第一次的结果，而且没有打印最终的PSNR值，导致无法直观看到去噪后的指标变化。

3. 冗余代码未清理 #

你导入了scipy.ndimage.filters但并未使用，可以移除该导入语句，让代码更简洁。

修正后的代码 #

import numpy as np
from skimage import img_as_float
from skimage.util import random_noise
from skimage.metrics import peak_signal_noise_ratio

# 生成测试图像（换成真实图像效果更直观，这里用随机图像演示）
img = img_as_float(np.random.random((2, 2)))
# 添加高斯噪声
noise = np.random.normal(0, 1, size=(2, 2)) * 0.2
img_noise = img + noise

# 修正学习率和迭代次数
p = 0.01  # 处于合理收敛步长范围内
N = 100   # 足够收敛的迭代次数
Lambda = 5
Cur_u = img_noise
weight_history = []

print("原始图像:\n", img)
print("含噪图像:\n", img_noise)

for k in range(N):
    Prev_u = Cur_u
    # 梯度更新公式本身是正确的，这里保留
    Cur_u = Prev_u - p * (2 * (Prev_u - img_noise) + 2 * Lambda * Prev_u)
    weight_history.append(Cur_u)

# 计算并打印PSNR对比
psnr_noise = peak_signal_noise_ratio(img, img_noise)
psnr_denoised = peak_signal_noise_ratio(img, weight_history[-1])
print(f"含噪图像PSNR: {psnr_noise:.2f} dB")
print(f"去噪后图像PSNR: {psnr_denoised:.2f} dB")
print("去噪后图像:\n", weight_history[-1])

# 对比闭式解验证结果正确性
closed_form_solution = img_noise / (1 + Lambda)
print("闭式解结果（最优解）:\n", closed_form_solution)

效果说明 #

修正后：

• 去噪后的图像会接近闭式解的结果，和含噪图像有明显差异
• PSNR值会比含噪图像显著提升
• 如果换成真实图像（比如用img = img_as_float(Image.open("your_image.jpg").convert("L"))），视觉上的去噪效果会更直观

内容的提问来源于stack exchange，提问作者fatemeh hirbodvash