润色：本文提出了一种新的各向异性的 正则化图像平滑方法。相比于原有 梯度最小化模型我们设计了新的正则化项使得模型具有各向异性更好地捕捉局部特征实现了逐块的平滑区域同时避免了过度锐化。

在本文中，我们提出了一种新的正则化图像平滑方法，该方法具有各向异性。与传统的梯度最小化模型相比，我们设计了新的正则化项，使得模型可以更好地捕捉局部特征。通过这种方法，我们可以实现逐块的平滑区域，从而避免过度锐化的问题。

传统的梯度最小化模型在图像平滑中往往会导致平滑效果不佳，因为它们忽略了图像中的各向异性。然而，我们的方法通过引入新的正则化项，可以更好地考虑图像中的各向异性。这样一来，我们可以更好地捕捉到图像中的局部特征，从而实现更精确的平滑效果。

此外，我们的方法还可以避免过度锐化的问题。在传统的梯度最小化模型中，由于其强调梯度的大小，往往会导致图像过度锐化，从而产生不自然的效果。然而，我们的方法通过引入新的正则化项，可以在保持图像平滑的同时避免过度锐化的问题，从而得到更自然的结果。

总之，我们提出的这种新的正则化图像平滑方法具有各向异性，可以更好地捕捉局部特征，实现逐块的平滑区域，并且避免了过度锐化的问题。这一方法在图像处理领域具有广泛的应用前景。