1、21世紀是一個信息膨脹的時代，作為我們感知整個世界的視覺基礎，圖像是人類對信息獲取、表達和傳遞的重要手段之一。圖像處理是用計算機對各類圖像進行分析計算，以達到我們所需結果的新型技術。邊緣檢測技術是圖像處理中很重要的一部分，因為邊緣是一個圖像中區(qū)分前景和背景的分界線，只要把邊緣描述出來，我們就可以把前景和背景區(qū)分開來。而基于Mumford-Shah(MS)模型的圖像邊緣檢測算法在圖像處理中有著重要的意義。
　　在本文中，我們從經(jīng)典的

2、MS模型入手，通過參照之前提出的ModifiedMumford-Shah(MMS)模型的L2范數(shù)形式，我們提出了MMS模型的L1范數(shù)形式，并且針對此模型進行了相關理論推導和數(shù)值試驗。首先，我們在得出恢復后圖像的過程中，用到了不動點迭代的方法，之后在提取邊界的過程中，我們用到了兩種經(jīng)典的方法，分別是:Proximity方法和Split Bregman(SB)方法。此外，我們在整個迭代過程中加入了ThreshoM和Truncation兩種方

3、法，以便于加快迭代速度，從而更快更準確地得到恢復效果。數(shù)值試驗方面，我們將提出的模型與經(jīng)典的Ambrosio-Tortorelli(AT)模型進行比較，我們發(fā)現(xiàn):在針對含有脈沖噪音的圖像中，L1形式下的MMS模型有更好的效果:既可以有效的去除噪音，又可以將邊緣更清晰地檢測出來。之后的試驗中，我們將兩種優(yōu)化方法與Proximity算法和SB算法相結合，從圖像本身和圖表結果得出:加入優(yōu)化方法的算法既可以保留有效邊緣，又可以減少迭代次數(shù)，提高