基于深度先验和小波变换的遥感图像复原算法

针对各种退化因素导致遥感图像模糊的问题,在混合即插即用(Hybrid Plug-and-Play, H-PNP)模型的基础上,设计了基于深度先验和小波变换的模糊遥感图像复原算法。首先,利用导向滤波对模糊图像进行预处理,再构建结合非局部相似块低秩先验、深度先验和小波变换的模糊遥感图像复原模型,最后利用交替迭代法求解模型,复原出清晰的图像。考虑到惩罚因子对图像复原的影响,在深度去噪器中引入相对残差自适应原则更新惩罚因子。实验结果表明,上述算法对于叠加模糊和噪声的退化图像具有良好效果,选取GSR算法、NSCR算法和H-PNP算法进行对比实验,在主观视觉效果、峰值信噪比、特征相似性和结构相似性方面均优于对比算法。     

基于非局部自相似性的低秩稀疏图像去噪

针对许多图像去噪方法在去除噪声的同时容易丢失细节信息的问题,提出了一种基于非局部自相似性的低秩稀疏图像去噪算法。首先,利用基于马氏距离（MD）的块匹配方法将外部自然干净图像块分组,建立基于块组的高斯混合模型（GMM）学习非局部自相似性先验;其次,采用稳健主成分追踪（SPCP）方法,将噪声图像矩阵分解为低秩、稀疏及噪声三部分,其中稀疏矩阵包含了稀疏的有用信息;最后,通过最小化全局目标函数实现去噪。实验结果表明,提出的方法在峰值信噪比（PSNR）及结构相似性（SSIM）的结果上比EPLL、NCSR、PCLR等先进去噪算法都有较大的提升,且速度更快,去噪效果及细节保留能力都有更好的表现。     

基于稀疏表示的单帧运动图像盲复原

提出一种基于稀疏表示的单帧运动盲复原方法,它充分利用自然图像中存在的各种先验知识进行求解。该方法分为模糊核估计和图像修复两个阶段。在估计模糊核时,它运用shock滤波器从模糊图像中预测出清晰边缘,以此指导全局图像的复原,并运用多尺度策略来解决大模糊核问题。在图像修复阶段,运用稀疏表示理论对复原图像进行降噪和重建,最终提高图像复原质量。实验结果表明,在不同噪声和模糊核条件下,该算法能有效消除运动模糊。     

基于深度先验及非局部相似性的压缩感知核磁共振成像

针对现有压缩感知核磁共振成像（CSMRI）算法在低采样率下重构质量低的问题,提出一种融合深度先验及非局部相似性的成像方法。首先,利用深度去噪器和块匹配三维滤波（BM3D）去噪器构建能够融合多种图像先验知识的稀疏表示模型;其次,将该模型作为正则化项,利用高度欠采样的k空间数据构建压缩感知核磁共振成像优化模型;最后,利用交替优化方法求解构建的优化问题。所提出的算法不仅能够通过深度去噪器利用深度先验,还能够通过BM3D去噪器利用图像的非局部相似性来进行图像重建。实验结果表明,与基于BM3D的重建算法相比,该算法在采样率为0.02、0.06、0.09及0.13情况下重构的平均峰值信噪比高出约1 dB;此外,从视觉角度,与现有的基于小波树稀疏性的核磁共振成像算法WaTMRI、基于字典学习的核磁共振成像算法DLMRI、基于字典更新及块匹配和三维滤波的核磁共振成像算法DUMRI-BM3D等相比,所提算法重构的图像包含大量纹理信息,与原始图像最接近。     

基于深度先验及非局部相似性的压缩感知核磁共振成像

针对现有压缩感知核磁共振成像（CSMRI）算法在低采样率下重构质量低的问题，提出一种融合深度先验及非局部相似性的成像方法。首先，利用深度去噪器和块匹配三维滤波（BM3D）去噪器构建能够融合多种图像先验知识的稀疏表示模型；其次，将该模型作为正则化项，利用高度欠采样的k空间数据构建压缩感知核磁共振成像优化模型；最后，利用交替优化方法求解构建的优化问题。所提出的算法不仅能够通过深度去噪器利用深度先验，还能够通过BM3D去噪器利用图像的非局部相似性来进行图像重建。实验结果表明，与基于BM3D的重建算法相比，该算法在采样率为0.02、0.06、0.09及0.13情况下重构的平均峰值信噪比高出约1 dB；此外，从视觉角度，与现有的基于小波树稀疏性的核磁共振成像算法WaTMRI、基于字典学习的核磁共振成像算法DLMRI、基于字典更新及块匹配和三维滤波的核磁共振成像算法DUMRI-BM3D等相比，所提算法重构的图像包含大量纹理信息，与原始图像最接近。     

基于带权核范数最小化和混合高斯模型的去噪模型

非局部自相似性（NSS）先验在图像恢复中发挥重要作用,如何充分利用这一先验提高图像恢复性能仍值得深入研究,提出一种基于带权核范数最小化和混合高斯模型的去噪模型。首先,采用混合高斯模型（GMM）对无噪声的自然图像非局部自相似图像块进行训练,再用训练好的混合高斯模型指导退化的图像产生非局部自相似图像块组;然后,结合带权的核范数最小化技术实现图像的去噪,并对模型的保真项进行一般性扩展,给出收敛的求解算法。仿真实验表明,所提方法与基于3D滤波的块匹配（BM3D）算法、同时稀疏编码学习（LSSC）算法和带权的核范数最小化（WNNM）模型相比,峰值信噪比（PSNR）提高0.11~0.49 dB。     

基于跨尺度低秩约束的图像盲解卷积算法EI北大核心CSCD

在模糊核未知的情况下对模糊图像进行复原称为盲解卷积问题,这是一个欠定逆问题,现有的大部分盲解卷积算法利用图像的各种先验知识约束问题的解空间.由于清晰图像的跨尺度自相似性强于模糊图像的跨尺度自相似性,且降采样模糊图像与清晰图像具有更强的相似性,本文提出了一种基于跨尺度低秩约束的单幅图像盲解卷积算法,利用图像跨尺度自相似性,在降采样图像中搜索相似图像块构成相似图像块组,从整体上对相似图像块组进行低秩约束,作为正则项加入到图像盲解卷积的目标函数中,迫使重建图像的边缘接近清晰图像的边缘.本文算法没有对噪声进行特殊处理,由于低秩约束更好地表示了数据的全局结构特性,因此避免了盲解卷积过程受噪声的干扰.在模糊图像和模糊有噪图像上的实验验证了本文的算法能够解决大尺寸模糊核的盲复原并对噪声具有良好的鲁棒性.     

基于边缘先验模型的运动去模糊

从单幅运动模糊图像复原出清晰的图像,一直是数字图像处理领域中富有挑战的问题.基于边缘先验模型和小波分析提出了一种运动模糊退化图像的复原算法.在去模糊之前,对图像进行预处理,将噪声去除,用冲击滤波器增强边缘,并采用canny边缘检测获取清晰边缘作为先验模型,以此估计模糊核;然后在紧小波框架系统下,将清晰图像的稀疏性最大化,采用改进的分裂Bregman方法求解最优化问题,最终得到清晰的图像.实验结果表明,相对于传统的盲复原算法,提出的方法可以有效地去除运动模糊.     

基于稀疏表示和结构自相似性的单幅图像盲解卷积算法

图像盲解卷积研究当模糊核未知时,如何从模糊图像复原出原始清晰图像.由于盲解卷积是一个欠定问题,现有的盲解卷积算法都直接或间接地利用各种先验知识.本文提出了一种结合稀疏表示与结构自相似性的单幅图像盲解卷积算法,该算法将图像的稀疏性先验和结构自相似性先验作为正则化约束加入到图像盲解卷积的目标函数中,并利用图像不同尺度间的结构自相似性,将观测模糊图像的降采样图像作为稀疏表示字典的训练样本,保证清晰图像在该字典下的稀疏性.最后利用交替求解的方式估计模糊核和清晰图像.模拟和真实数据上的实验表明本文算法能够准确估计模糊核,复原清晰的图像边缘,并具有很好的鲁棒性.     

图像复原中边缘保持与稀疏先验模型的选择

考虑了广义高斯分布和马尔科夫随机场两类随机图像模型,提出相应的图像复原目标函数。分析了这两类模型在图像复原中的边缘保持性能,给出了它们具有边缘保持能力所需的条件。根据稀疏型先验的理论,指出在一定条件下这两类先验模型对图像具有稀疏表示特性,因此可以用于图像超分辨率复原处理。说明了边缘保持和稀疏先验之间的关系,为复原中图像先验模型的选择提供了参考。仿真实验表明,合理选择图像的先验模型,可以显著提高图像复原效果。     

Ultrasound image restoration based on a learned dictionary and a higher-order MRF

The restoration of images degraded by blur and multiplicative noise is a critical preprocessing step in medical ultrasound images which exhibit clinical diagnostic features of interest. This paper proposes a novel non-smooth non-convex variational model for ultrasound images denoising and deblurring motivated by the successes of sparse representation of images and FoE based approaches. Dictionaries are well adapted to textures and extended to arbitrary image sizes by defining a global image prior, while FoE image prior explicitly characterizes the statistics properties of natural image. Following these ideas, the new model is composed of the data-fidelity term, the sparse and redundant representations via learned dictionaries, and the FoE image prior model. The iPiano algorithm can efficiently deal with this optimization problem. The new proposed model is applied to several simulated images and real ultrasound images. The experimental results of denoising and deblurring show that proposed method gives a better visual effect by efficiently removing noise and preserving details well compared with two state-of-the-art methods.     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型（Gaussian mixture model,GMM）算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科 夫随机场（Markov random field,MRF）模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图 像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马 尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能 保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到 最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.     

UHD TV image enhancement using example-based spatially adaptive image restoration filter

This paper presents a novel image restoration algorithm using examples and truncated constrained least squares (TCLS) filter for ultra-high definition (UHD) television systems. The proposed approach consists of three steps: (i) generation of the patch dictionary using multiple-step image blurring, (ii) selection of the optimum patch based on the orientation and the amount of blurring, and (iii) combination of the selected patch in the dictionary and its filtered version by the TCLS restoration filter for reducing the patch mismatch error. In the proposed algorithm, a complicated point-spread-function (PSF) estimation process is replaced with the generation of multiple, differently blurred patches. Furthermore, the patch dictionary is made by orientation-based classification to reduce the time to search the optimum patch. Experimental results show that the proposed algorithm can restore more natural images with less synthetic artifacts than existing methods. The proposed method provides a significantly improved restoration performance over existing methods in the sense of both subjective and objective measures including peak-to-peak signal-to-noise ratio (PSNR) and structural similarity measure (SSIM).     

稀疏梯度先验模型的正则化图像复原

传统Lucy-Richardson(LR)算法是一种基于贝叶斯分析的图像复原迭代算法,对高信噪比的退化图像能获得很好的复原结果,但对噪声过于敏感,对低信噪比的退化图像在迭代过程中易造成噪声的放大,虽然有一些正则化方法应用到LR算法中来抑制噪声,但往往容易产生过度平滑的问题。针对这些问题将图像稀疏先验模型作为正则项引入到LR算法中,抑制噪声在迭代过程中的放大。与常规的图像梯度约束算法不同,本文算法中根据模糊图像梯度分布特点的不同提出了可变参数的图像稀疏梯度正则化约束方法,使复原图像的梯度分布参数在迭代过程中更趋近于真实梯度分布,同时通过调整正则项系数可以避免复原图像的过度平滑。实验结果表明,同标准LR算法和常规梯度约束算法相比,本文算法能够实现在抑制噪声放大的同时较好地保留图像的细节。     

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。     

基于K-SVD的偏微分方程模型在毫米波图像恢复中的应用

在图像被大噪声污染或具有较低分辨率时,传统的偏微分方程(PDE)模型的稳态解会产生明显的阶梯效应,恢复图像质量较差。针对此缺点,提出了一种新的基于K-奇异值分解(K-SVD)的PDE图像恢复方法,并应用于毫米波(MMW)图像的恢复。K-SVD是一种图像稀疏表示方法,对图像进行稀疏估计的同时实现去噪,对噪声方差较大的图像具有较好的去噪鲁棒性。首先采用K-SVD对MMW图像进行去噪,对去噪图像再应用全变分(TV)模型的PDE方法进行恢复。对所提出的算法分别使用模拟的MMW图像和真实的MMW图像进行测试,并进一步和K-SVD、PDE方法比较,同时使用峰值信噪比(PSNR)对恢复图像进行评价。根据不同噪声方差下的PSNR数据和恢复图像的视觉效果,实验结果证明了所提方法能够有效地恢复MMW图像。     

Fusion of multispectral and panchromatic images via sparse representation and local autoregressive model

In this paper, a novel model-based pan-sharpening method via sparse representation and local autoregressive (AR) model is proposed. To recover the high-resolution multispectral (HRMS) image from the observed images, we impose sparsity prior on the unknown HRMS image in the restoration model. The quality of the recovered HRMS image depends on the employed sparse domain. Hence, a new sparse representation model for the HRMS image is constructed, in which we suppose that the low-frequency and high-frequency components of the HRMS image can be sparsely represented by a spectral dictionary and a spatial-detail dictionary respectively. The spectral dictionary and spatial-detail dictionary are learned from the source images: low-spatial-resolution multispectral (LRMS) image and high-spatial-resolution panchromatic (HRP) image adaptively. Additionally, local autoregressive (AR) model is employed to improve the spatial structure of the HRMS image patch. Firstly, a set of AR model parameters are learned from the PAN image patches. Then, the local spatial structure of a given HRMS image patch is regularized by an AR model with the learned parameters. By solving the l₁ -norm optimization problem, the HRMS image can be well reconstructed. Experiments are carried out on very high-resolution QuickBird and GeoEye-1 images. In the simulated and real experiments, our proposed method demonstrates its good performance in terms of visual analysis and quantitative evaluation.