空域中基于正则化的自适应超分辨率图像复原

对于模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率图像复原方法.在Nguyen等人的正则图像复原框架的基础上,根据Roberts交叉梯度算子构造正则项,从自适应的角度生成正则化参数,并用共轭梯度法求解该模型的目标泛函极小值.计算机仿真结果表明,该方法可较好的再现图像的重要信息,复原图像的相对误差降低,同时,峰值信噪比和主观视觉效果方面都有明显的提高.     

自适应正则有参超分辨率图像盲恢复

基于重建的超分辨率(SR)方法中，图像求解是典型的高维病态问题，需借助有效的正则来稳定求解。在Nguyen等人的正则有参超分辨率盲恢复框架(RPSR)基础上，引入基于图像局部光滑特征的正则处理，提出自适应正则的有参超分辨率方法(ARPSR)，并从方便计算的角度，进一步提出了ARPSR的近似求解方法，即先将ARPSR问题，化为两个RPSR问题的带权组合，然后用RPSR框架估计图像模糊系统的自由参数和最优正则参数，用重排系统矩阵的方法构造预处理器，最后用预处理共轭梯度方法(PCG)求解超分辨率图像。算法分析和试验结果表明，ARPSR方法是对RPSR框架的进一步改进。     

基于Besov空间的图像盲复原算法

针对Chan-Wong全变差正则化思想的不足,提出了一种Besov空间的图像盲复原算法.该算法用一个B11,1项代替BV项,采用交替最小化的思想在小波域上求解,将全变差盲复原中求解复杂的偏微分方程转化为简单的小波软阈值问题.实验结果表明:该算法不仅减少了全变差盲复原中出现的阶梯效应,而且运算时间大大减少.     

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。     

混合非凸非光滑正则化约束的模糊图像盲复原

为能够复原出高质量的清晰图像,提出一种混合正则化约束的模糊图像盲复原方法。首先,根据模糊核的稀疏性,采用L₀范数的正则项对模糊核进行稀疏约束,以提高模糊核估计的准确性;然后,根据图像梯度的稀疏性,采用混合一阶和二阶图像梯度的L₀范数对图像梯度进行正则化约束,以保留图像边缘信息;最后,由于所提出的混合正则化约束模型本质上是非凸非光滑优化问题,通过交替方向乘子法对模型进行求解,并在非盲反卷积阶段采用L₁范数数据拟合项和全变分的方法复原清晰图像。实验结果表明,所提方法能够复原出更加清晰的细节和边缘信息,复原结果的质量更高。     

Bregman交替迭代遥感图像复原方法

针对多种退化因素的遥感图像复原问题,提出一种基于Bregman迭代的遥感图像消除不规则采样、去模糊和去噪总变差复原方法。在此基础上,结合非局部正则化方法,提出一种自适应计算非局部均值滤波器参数的方法。求解时使用交替最小化方法将复杂的复原问题分割为两个容易求解的子问题。实验结果表明,本文方法比其他基于Bregman迭代的方法收敛速度快、复原效果好,且加入非局部正则化后具有更好的纹理细节信息保持能力。     

基于MAP估计的自适应光学图像非对称多帧盲复原

为了提高地基望远镜观测空间目标的分辨率,提出一种针对自适应光学图像的盲复原方法.利用多帧图像的盲解卷积作为高清晰复原的主要技术手段,在贝叶斯最大后验概率估计框架下推导出泊松噪声模型的通用代价函数;提出基于非线性方程寻优的代价函数求解方法,并将非对称迭代引入求解过程,避免求解陷入局部极值点,以保证复原结果的可靠性.实验结果表明,该方法对泊松噪声有较好的适应能力,能够有效地从多帧湍流降质图像中恢复出目标图像.     

基于张量总变分的模糊图像盲复原

现有模糊图像盲复原算法通常仅利用彩色图像的灰度信息估计模糊核,彩色图像转换成灰度图像的操作会造成信息丢失,在处理尺寸过小或显著边缘过少的图像时,模糊核的估计通常会失效,导致最后复原图像的质量不理想。针对上述问题,在新的张量框架下,把彩色模糊图像作为一个三阶张量,提出了一种基于张量总变分的模糊图像盲复原算法。首先通过调整张量总变分模型中的正则化参数获取彩色图像不同尺度的边缘信息,从而估计出模糊核;再利用张量总变分算法对模糊图像解模糊,复原出清晰图像。实验结果表明,所提算法得到的复原图像在峰值信噪比（PSNR）和主观视觉上均得到明显改善。     

基于广义高斯噪声分布模型的迭代正则化图像复原

讨论了广义高斯分布加性噪声模型，从对图像的最大似然估计出发，结合正则化的复原方法，提出了具有lp范数数据逼近项的正则化目标泛函，同时给出了自适应的正则化参数选择方法。对目标泛函使用迭代的方法求解，分析了迭代式的收敛性。目标泛函中正则化参数的选择和图像复原的迭代运算同步进行并自动优化。实验结果表明，对于加有广义高斯分布噪声的并被高斯型点扩展函数模糊的图像，该方法可明显改善图像复原的效果，尤其当广义高斯分布的形状参数p≤1时复原效果更好。     

稀疏平滑特性的多正则化约束图像盲复原方法

为了实现对线性空间不变的模糊图像的盲复原,提出了一种基于稀疏性和平滑特性的多正则化约束的模糊图像盲复原方法.首先,根据自然图像边缘的稀疏特性,运用了一种权重的全变差范数(weighted total variation norm,简称WTV-norm)对复原图像进行正则化约束;然后,从运动模糊的点扩散函数(motion point spread function,简称MPSF)的特性出发,提出一种能够适用于多种模糊情况的多正则化约束;最后,提出了一种改进的变量分裂(modified variable splitting,简称MVS)方法来得到清晰的复原图像,同时准确地估计出相应的模糊退化函数.大量的实验结果表明,该方法能够较好地复原多种不同类型的模糊(例如运动模糊、高斯模糊、均匀模糊、圆盘模糊).与近几年提出来的一些具有代表性的模糊图像盲复原方法相比,该方法不仅主观的视觉效果得到了较为明显的改进,而且客观的信噪比增量也增加了1.20dB~4.22dB.     

一种空间自适应正则化图象盲复原算法

图象盲复原所面临的主要问题是可利用信息的不足，所以必须充分利用图象本身及成像系统的先验信息，为此，结合模糊先验辨识的思想，给出了一种新的空间自适应正则化算法，该算法先用交替最小化的迭代方法对模糊进行先验辨识，然后利用辨识结果，用各向异性扩散进行图象复原，算法充分利用了图象及成像系统（或点扩散函数PSF）的分段平滑特性，同时又利用各向异性扩散的概念，使得正则化不仅在程度上，而且在方向上都是空间自适应的，从而能够有效地进行图象盲复原，仿真结果表明，该算法的复原效果优于空间自适应各向同性正则化（SAR）算法，其收敛性能优于空间自适应各向异性正则化（SAAR）算法。     

混合特性正则化约束的运动模糊盲复原

目的 为了提高运动模糊图像盲复原清晰度,提出一种混合特性正则化约束的运动模糊盲复原算法。方法 首先利用基于局部加权全变差的结构提取算法提取显著边缘,降低了噪声对边缘提取的影响。然后改进模糊核模型的平滑与保真正则项,在保证精确估计的同时,增强了模糊核的抗噪性能。最后改进梯度拟合策略,并加入保边正则项,使图像梯度更加符合重尾分布特性,且保证了边缘细节。结果 本文通过两组实验验证改进模型与所提算法的优越性。实验1以模拟运动模糊图像作为实验对象,通过对比分析5种组合步骤算法的复原效果,验证了本文改进模糊核模型与改进复原图像模型的鲁棒性较强。实验结果表明,本文改进模型复原图像的边缘细节更加清晰自然,评价指标明显提升。实验2以小型无人机真实运动模糊图像为实验对象,通过与传统算法进行对比,对比分析了所提算法的鲁棒性与实用性。实验结果表明,本文算法复原图像的标准差提升约11.4%,平均梯度提升约30.1%,信息熵提升约2.2%,且具有较好的主观视觉效果。结论 针对运动模糊图像盲复原,通过理论分析和实验验证,说明了本文改进模型的优越性,所提算法的复原效果较好。     

卡通纹理分解和全变分梯度算法实现图像恢复

为了研究图像恢复技术,提出采用卡通纹理分解和基于全变分的广义加速临近梯度算法实现图像恢复。将原始模糊图像分解成卡通部分和纹理部分,卡通部分主要是图像的低频成分受噪声干扰小,纹理部分主要是图像的高频成分受噪声干扰大,采用基于全变分的广义加速临近梯度算法进行图像去模糊和去噪,卡通部分选择较小的正则化参数,纹理部分选择较大的正则化参数,将恢复的卡通部分和纹理部分进行合成得到恢复图像。通过对两张标准测试图像的MATLAB实验仿真,证明了该方法不仅收敛速度快而且效果比一般的临近梯度算法要好,尤其适合于恢复模糊度不是很高的图像。     

复杂背景运动模糊图像的盲复原算法研究

为了有效恢复具有复杂背景的运动模糊图像，提出一种基于正则化策略和共轭梯度优化迭代复原算法；同时为了辨识运动模糊图像的参数，又提出一种基于模糊图像做分自相关函数的点扩展函数辨识算法。为验证算法的有效性，在微机上对提出的算法与现有算法进行了对比实验，结果表明十分有效，也具有较强的鲁棒性。     

基于确定性约束和局部空间自适应正则化的图像盲复原算法

给出了一种用于图像盲复原的基于非负支撑域受限递归逆滤波（NAS－RIF）算法的改进算法。通过在代价函数中加入空间自适应的正则化项来改进算法的抗噪性能和复原效果，并利用迭代算法的中间结果，进一步精确寻找图像边界，有效地达到了保存边界并抑制噪声的目的。使用n步重新开始的共轭梯度法可以提高算法的收敛速度。由实验结果可以看出,对于信噪比较低的退化图像，改进的NAS－RIF算法具有更好的复原效果和稳定性。     

EMM盲运动模糊图像的恢复

盲图像恢复的主要困难是信息不足,而为了恢复图像和确定点扩散函数需要适当的先验知识。解决这个问题的方法有ML法、EM法以及正则化方法等。但是这些方法的计算量都太大,针对上述方法的不足,文章提出了一种恢复图像的新算法,它通过恢复残差的最小化和后验概率的最大化来估计参数和恢复图像。其中,巧妙地利用了最陡梯度法和共轭梯度法的迭代求解。对由于运动造成的模糊图像,可以明显地改善图像的质量,实验结果证明,在对模糊操作没有严格限制的情况下,仍可得到较好的恢复图像。     

Weight assignment for adaptive image restoration by neural networks

This paper presents a scheme for adaptively training the weights, in terms of varying the regularization parameter, in a neural network for the restoration of digital images. The flexibility of neural-network-based image restoration algorithms easily allow the variation of restoration parameters such as blur statistics and regularization value spatially and temporally within the image. This paper focuses on spatial variation of the regularization parameter. We first show that the previously proposed neural-network method based on gradient descent can only find suboptimal solutions, and then introduce a regional processing approach based on local statistics. A method is presented to vary the regularization parameter spatially. This method is applied to a number of images degraded by various levels of noise, and the results are examined. The method is also applied to an image degraded by spatially variant blur. In all cases, the proposed method provides visually satisfactory results in an efficient way.