基于非凸l_p范数和G-范数的图像去模糊模型

图像去模糊一直是图像修复中的重要问题,针对经典的去模糊方法,提出一种耦合非凸lp(0≤p<1)范数和G范数的图像去模糊方法。该方法利用lp(0≤p<1)范数作为正则项约束,保证了图像的稀疏性要求;利用G范数作为保真项,保证在去模糊的同时有效抑制噪声并保持图像的细小特征,同时也给出新方法基于交替最小化的有效算法。实验结果表明新模型是可行的。     

带总观测误差约束的模糊图像恢复

模糊图像恢复是数字图像处理领域的研究热点之一,总变差(Total Variation, TV)规整化可以很好的保持图像的细节,然而,传统的TV图像恢复模型需要考虑最优的正则化参数,由此,提出了一族包含不同规整化因子,带总观测误差约束的模糊图像恢复模型,并分为去模糊和去噪两步求解此模型。在去模糊过程中,利用共轭梯度法求出一个满足总观测误差约束的初始恢复图像;在去噪过程中,首先,以去模糊的结果作为初始估计;其次,针对 范数最小化问题,利用优化—最小化(Majoriziation-Minimization, MM)算法的思想,将原问题转化为一系列容易求解的优化子问题;最后,极小化优化子问题,得到最终的恢复图像。实验结果表明,该算法对模糊图像的恢复效果是显著地。      

凹凸范数比值正则化的快速图像盲去模糊

模糊图像可表示为清晰图像和模糊核函数的卷积,由模糊图像恢复出清晰图像,需要同时估计模糊核和清晰图像,因此是一个病态问题.优化含有先验项的代价函数是求解病态问题最有效方法之一.针对图像盲去模糊问题,本研究提出具有更强稀疏表达能力的凹凸范数比值正则化先验项,在用变量分裂法求解模型时,提出用L1范数保真项更新估计图像,在更新模糊核时,提出使用线性递增权重参数对模糊核按多尺度方法由粗到细逐步估计,当获得模糊核后,利用封闭阈值公式估计清晰图像.该方法能快速得到高质量的清晰图像,实验结果验证了模型的有效性和算法的快速性.     

基于方向和结构特征的遥感图像条带噪声分离方法

针对去除遥感图像条带噪声时易造成模糊或细节丢失等问题,分析研究干净图像及条带噪声的方向和结构特征,提出了遥感图像条带噪声分离方法。对于条带噪声,其稀疏结构特征表征为条带的组稀疏性和平滑性,结合条带的L_(2,1)范数和沿条带方向的梯度的L_0范数实现特征约束;对于干净图像,其边缘连续性采用L_1范数进行约束。考虑该约束模型的非凸性,采用基于近端交替方向乘子(PADMM)的算法进行快速求解。模拟数据和实际数据的实验结果表明,所提算法有效去除了图像中的条带噪声,同时高效保留原图像的细节信息,充分验证了算法的可行性和可靠性。     

基于TwIST-TV 约束的图像去模糊方法

传统的基于频域和小波域的去模糊算法所得的复原图像总是存在比较明显的边缘振铃及模糊效应,而较为有效的空域迭代优化去模糊算法速度通常比较慢。为了解决上述问题,提出了基于二步迭代阈值收缩（TwIST）与总变分（TV）约束相结合的图像去模糊算法（TwIST-TV）。首先在去模糊目标函数中加入对图像的TV 正则化约束,其次在对图像小波系数的每次二步迭代之前,加入对图像的TV 优化去噪约束,最后迭代获取去模糊图像。实验结果表明:相对于基于频域和小波域的模糊图像恢复算法,TwIST-TV 能有效抑制边缘模糊和振铃效应,复原图像的信噪比（SNR）、峰值信噪比（PSNR）高出1~7 dB,平均结构相似度指标（MSSIM）可高出0.05,相对于空域解卷积算法在保证求解精度相当的情况下具备6 倍以上的速度优势。     

基于局部最大和最小强度先验的遥感图像盲去模糊

针对遥感图像的运动模糊问题，提出一种基于局部最大和最小强度先验的遥感图像盲去模糊方法。该方法利用遥感图像局部像素强度的稀疏性作为先验条件，使用简单的迭代阈值收缩方法求解潜像和模糊核，再由非盲反卷积算法得到去模糊图像。实验结果表明，所提方法能提高计算效率，对于可见、红外遥感图像，均能有效恢复图像的纹理细节，抑制伪影，提升了复原图像的主观效果与客观评价指标。     

应用双稀疏模型和ADMM优化的图像复原

基于稀疏表示的图像复原算法大都只利用了图像整体稀疏性和局部稀疏性中的一种,未充分利用图像的先验知识,基于此,本文在稀疏表示框架下,同时引入Cosparse解析模型及平移不变小波变换两种稀疏模型,前者对每个图像块进行稀疏表示,后者对整幅图像进行稀疏表示,从而提出一种新的图像复原算法。该算法将图像复原问题归结为双稀疏正则化问题。为求解复杂的双稀疏优化问题,本文运用交替方向乘子法 (ADMM, Alternating Direction Method of Multipliers)算法将该约束优化问题分解为若干子问题,通过交替迭代求解获得复原图像。实验中对不同类型的模糊图像进行了复原,其结果表明该算法对于各类模糊图像的复原比现有复原算法效果更好,从而验证了算法的有效性。      

l0-范数约束的稀疏多径信道RLS常模盲均衡算法

针对稀疏多径信道下MPSK信号的快速盲均衡问题,提出了一种l0-范数约束的递归最小二乘常模盲均衡算法.该算法借鉴传统的递归最小二乘常模盲均衡算法思想,结合稀疏自适应滤波理论,首先利用l0-范数对均衡器抽头系数进行稀疏性约束,构造出一种l0-范数约束的加权最小二乘误差代价函数,然后依据递归最小二乘算法推导出均衡器抽头系数更新公式.该算法发挥递归最小二乘常模算法收敛速度快的优势,并对幅度极小系数附加零点吸引调整,从而实现不同幅度抽头系数的快速收敛.理论分析与仿真结果表明,与现有算法相比,该算法在保证较低剩余符号间干扰的前提下,能有效提高均衡器的收敛速度.     

基于近似l0范数的稳健稀疏重构算法

针对测量值受噪声污染的稀疏重构问题,本文提出了稳健近似l0范数最小化算法.该算法首先利用反正切函数近似l0范数,然后建立基于近似l0范数的含噪稀疏重构模型,最后通过拟牛顿法求解该模型,并分析了算法的收敛性.数值仿真表明,本文提出的算法重构稀疏向量时需要较少的测量值,且具有较高的计算精度.     

高光谱图像Pareto优化稀疏解混

高光谱解混是学术界的一个难题,稀疏高光谱解混指的是利用已知光谱库进行解混,旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元,并利用这些端元求解相应的端元丰度,这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混,但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法（ParetoSU）,将稀疏解混问题转化为一个两目标优化问题,其中一个优化目标是建模误差,另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题,不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。