受昆虫复眼系统启发的图像重构算法

虽然基于像素重排列的迭代反投影算法已经在TOMBO模型构建时提出,但是该方法需要大量的迭代次数,同时在噪声平滑效果上还有待于改进。因此一种正则化的迭代反投影算法被提出为该系统重构图像。采用自适应的总变差正则化因子和双边总变差正则化因子来正则化迭代反投影算法。自适应总变差正则化因子根据图像的当前信息来选择参数,因此用该因子正则化后的迭代反投影算法可以在平滑噪声的同时保留高频成分。而双边总变差正则化因子是依据像素点的最邻近领域和次邻近领域来判别该点是否为噪声点,考虑了更多的图像信息,从而可以跨过边缘平滑噪声。同时双边总变差正则化因子可以大大地加速重构的过程。实验是建立在仿生复眼图像上,实验结果证明了这两种正则化的迭代算法的有效性。     

基于稀疏表示的自适应图像超分辨率重建算法

针对图像高分辨率重建过程中稀疏解的存在性和唯一性问题以及超分辨率图像的边缘特征和平滑噪声的关系进行了研究, 提出了局部正则化参数自适应选取的方法。结合联合构造字典的算法, 在重建过程中动态调整正则化参数。通过对图像的超分辨率实验证明, 改进的算法具有较高的可行性, 能有效平衡超分辨率图像的边缘特征和平滑噪声两者的关系, 与传统的超分辨率重建算法相比, 有更高的峰值信噪比。     

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。     

小波域噪声分布估计的自适应正则化图像恢复

提出一种正则化图像恢复中自适应选择局部正则化参数的方法．首先提出局部正则化参数的大小应正比于降质图像局部噪声方差；然后在小波域内给出一种估计降质图像局部噪声方差的算法；最后根据小波域噪声方差估计值的分布自适应地确定局部正则化参数．实验结果表明，对于存在多种类型噪声的降质图像，文中方法对噪声方差的估计在分布上与真实噪声一致，而在恢复效果上则要优于Katsaggelos所提出的方法．     

在多尺度Contourlet域中的SAR图像正则化超分辨

针对SAR图像超分辨重构问题,建立了基于多尺度Contourlet域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。将该算法分别与空域中正则化算法和小波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他两种方法。     

基于PSO自适应正则化参数图像恢复的研究

图像恢复的根本目的是使降质图像趋向于复原或没有噪声影响的理想图像,当前的主要问题是如何在平滑噪声的同时保持图像的边缘和细节.文中提出了基于粒子群优化算法的自适应正则化参数图像恢复算法,与传统方法相比较,实验结果表明,文中方法在恢复效果上要优于传统的正则化方法、Lucy-Richardson 算法和维纳(Wiener)滤波器恢复,明显地克服模糊退化,同时也保护了图像的边缘等细节信息,图像纹路更加清晰,图像质量评价的ISNR好于传统方法.     

空间自适应正则化超分辨率图像重建

超分辨率图像重建是一个病态问题,在重建过程中需要正则化处理,而正则化重建会引入正则化误差及重建过程中由于病态性而引入的噪声放大误差,且这两类误差均和图像的空间局部特性有关.提出根据图像的局部空间统计特性自适应控制超分辨率图像正则化重建算法,采用图像局部统计方差来区分图像棱边区域及平滑区域,在图像的棱边区域加强图像的约束重建,而在图像的平滑区域加强正则化.实验表明该算法能有效地减小重建误差,算法的信噪比得益优于传统的正则化重建算法及总变分模型重建算法,并且对正则化参数的选择具有一定的鲁棒性.     

基于多孔多方向小波的SAR图像正则化超分辨重构

针对SAR图像超分辨重构问题,建立了基于多孔多方向小波域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。最后将该算法分别与空域中正则化算法和小波域及轮廓波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他三种方法。     

自适应的低照度图像增强变分模型

针对低照度图像具有低对比度、强噪声等问题，提出了一种自适应的低照度图像增强变分模型。根据亮度分量初步估计低照度图像取反之后图像的透射率，并利用Retinex算法进行细化，以丰富图像的细节。为了抑制噪声的放大且保持边缘信息，根据亮通道先验原理和局部方差构建权重，自适应地调节正则化参数。采用交替迭代最优化方法求解包含透射率和恢复图像的能量泛函得到最优解。实验结果表明，该模型可有效地增强低照度图像，且能保留更多的图像细节、抑制噪声放大，相比于[l1]范数正则化方法，图像尺寸越大，该模型计算效率越高，计算时间优势越明显。     

采用噪声自适应正则化的图像重建的仿真研究

针对图像分辨率过低的情况,传统的全局正则化方法未能有效地分辨图像的细节,尤其是图像的边缘问题,根据图像的降质模型,基于正则化方法,并结合降质图像模型,采用迭代的方式确定局部正则化参数代替全局化的正则化参数,提出一种基于噪声的自适应正则化方法的图像重建.再次通过Matlab软件仿真,对比全局正则化和新的基于噪声自适应正则化图像重建的结果,仿真实验证明该方法能够克服传统的正则化方法的局限性,并能够很好地复原图像的边缘细节.     

优化加权TV的复合正则化压缩感知图像重建

目的：压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,本文提出了一种基于优化加权全变差（Total Variation, TV）的复合正则化压缩感知图像重建模型。方法：提出的重建模型是以TV正则化模型为基础的。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,本文引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪（Rudin–Osher–Fatemi,ROF）模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,本文将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果：针对自然图像的不同特性,本文使用复合正则化先验进行建模,实验表明上述重建问题通过我们的方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论：本文提出了一种新的复合正则化压缩感知重建模型。与其它基于TV正则化的重建模型相比,实验结果表明本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

结合压缩感知与非局部信息的图像超分辨率重建

针对现有的超分辨率重建算法只考虑图像块的灰度信息,而忽略了纹理信息,并且大多数非局部方法在强调非局部信息的同时,没有考虑局部信息的问题,提出一种结合压缩感知与非局部信息的图像超分辨率重建算法。首先,根据图像块的结构特征计算像素之间的相似性,同时考虑了图像块的灰度信息和纹理信息;然后,合并图像的局部和非局部信息来估计相似像素的权重,构造结合局部和非局部信息的正则项;最后,将图像的非局部信息引入到压缩感知框架中,通过迭代收缩算法求解稀疏表示系数。实验结果表明,所提算法与现有的基于学习的超分辨率算法相比,重建图像的峰值信噪比和结构相似度取值更高,并且在恢复图像纹理细节的同时有效抑制了噪声。     

基于惩罚最大似然优化模型的各向异性约束磁共振成像方法

传统磁共振(MR)傅里叶成像方法由于傅里叶不确定性,k空间扩展编码采样长度能提高图像空间分辨率,但是以降低图像信噪比为代价.提出基于最大似然优化模型的各向异性约束MR成像新方法,将离散傅里叶变换模型改进为惩罚约束函数的最优值搜索问题.利用医学结构的先验信息,将正则化惩罚运算细化至平滑区域、边界邻域、边界和边界的方向.实验结果表明,该方法不但能扩展k空间高频数据采样长度同时有效降低高斯噪声,而且能克服现有相关约束成像方法的二次模糊和Gibbs环状伪影.     

基于低秩和稀疏性先验知识的压缩感知图像重构

压缩感知（CS）图像重建算法是CS图像获取问题的一个研究重点。针对当前重建效果最好的基于低秩先验的NLR重建算法,忽略了图像的局部结构信息,不能有效地重建图像的边缘,为了在测量值数量不变情况下进一步提高图像的重建质量,在低秩先验的基础上,引入稀疏约束（梯度域的稀疏性-总变差）作为图像额外的先验知识,建立了基于总变差和低秩约束的CS图像重建模型。增广拉格朗日-交替方向乘子算法用于求解产生的非凸优化问题。实验结果表明,与传统的稀疏性先验重建算法和NLR算法相比,所提算法能够获得更高的图像重构质量。     

基于参考图像梯度方向先验的压缩感知 磁共振快速成像

压缩感知理论为快速磁共振成像提供了一种系统的理论框架,即通过少量非相干的采样数据便可实现精确的图像重建。然而,在高度欠采样的情况下,混叠伪影依然很严重。目前,已有大量的研究工作探讨了利用来自参考图像的先验信息来提高重建质量的方法。文章提出基于参考图像梯度方向先验的压缩感知磁共振成像方法。该方法通过约束目标图像中结构边缘的切向量与参考图像中对应位置的法向量相垂直,以使目标图像中结构边缘的方向和参考图像保持一致。最后,运用多对比度扫描的实验数据,通过与传统的压缩感知磁共振成像方法相比较,验证了该方法能够实现快速且高质量的磁共振成像。     

A local structure adaptive super-resolution reconstruction method based on BTV regularization

Super-resolution (SR) image reconstruction has been one of the hottest research fields in recent years. The main idea of SR is to utilize complementary information from a set of low resolution (LR) images of the same scene to reconstruct a high-resolution image with more details. Under the framework of the regularization based SR, this paper presents a local structure adaptive BTV regularization based super-resolution reconstruction method to overcome the shortcoming of the Bilateral Total Variation (BTV) super resolution reconstruction model. The proposed method adaptively chooses prior model and regularization parameter according to the local structures. Experimental results show that the proposed method can get better reconstruction results and significantly reduces the manual workload of the regularization parameter selection.     

基于结构张量的视频超分辨率算法

针对传统正则化超分辨率（SR）重建模型中,正则化参数选择过大会使重建结果模糊,导致边缘和纹理等细节丢失,选择过小模型去噪能力又不足的问题,提出一种基于结构张量的双正则化参数的视频超分辨率重建算法。首先,利用局部结构张量对图像进行平滑区域和边缘的检测;然后,利用差异曲率对全变分（TV）进行先验信息加权;最后,对平滑区域和边缘采用不同的正则化参数进行超分辨率重建。实验数据显示提出的算法将峰值信噪比（PSNR）提高了0.033～0.11 dB,具有较好的重建效果。实验结果表明：该算法能够有效地提升低分辨率（LR）视频帧重建效果,可应用于低分辨率视频增强、车牌识别和视频监控中感兴趣目标增强等方面。     

混合高阶全变差正则化的运动模糊图像盲复原

针对运动模糊图像的盲复原,提出一种基于混合高阶全变差正则化的盲复原方法。该方法首先采用shock滤波器从模糊图像中预测出清晰的图像边缘,并用多尺度策略实现对模糊核由粗到细的准确估计。然后根据自然图像边缘的稀疏特性,将全变差模型的保护边缘特性结合高阶全变差克服平滑区域阶梯效应的优势,对图像进行正则化约束,提出新的混合高阶全变差正则化模型。最后,利用分裂布雷格曼迭代策略对提出模型进行最优化求解。实验结果表明,提出的方法能够很好地保护图像边缘细节,同时有效地抑制平滑区域内振铃和阶梯效应的产生,获得高质量的复原图像。与近几年图像盲复原算法相比,不仅改进了复原图像的主观视觉效果,而且客观上提高了峰值信噪比。