一种基于GNC和增广拉格朗日对偶的非凸非光滑图像恢复方法

逐步非凸方法（GNC）和增广拉格朗日对偶在非凸非光滑图像恢复中有较高的恢复性能.然而分别使用这两种方法时GNC不能够保证全局收敛,增广拉格朗日对偶不能获得有效的初始值.为克服上述缺陷,本文通过转换原始问题为等式约束优化问题推出了一种基于GNC和增广拉格朗日对偶的组合图像恢复方法,并对其收敛性严格证明.该方法不仅可以获得有效的初始值,同时不要求问题具有凸性和光滑性.更多地,一个自适应能量函数通过对偶迭代而得到.实验结果表明推出的方法可以有效地提高图像恢复质量和算法效率.     

自适应非局部patch正则化图像恢复

 非局部均值利用图像自相似性,有效保持了图像的几何结构信息.提出了非局部patch正则和TV正则结合的图像恢复模型,利用改进的结构张量矩阵构造自适应非局部权函数,根据像素的局部结构计算图像中patch的相似性,提高了图像结构信息的保持性能.在数值解法上,采用分裂Bregman算法迭代求解模型,得到简单快速的迭代形式.数值实验证明所提出方法在提高恢复图像质量和算法效率上都有显著改进.     

激光气泡检测中图像的边缘正则化复原

基于光学成像的激光气泡检测已被广泛应用于工业领域,如气密性检测等.然而,检测图像的降质严重影响了测量的准确性.为了提高气泡检测的图像质量,提出一种估计动态调制传递函数进行边缘正则化的半盲图像复原法,采用客观图像的质量指标来对半盲解卷积算法进行约束,并将图像复原法与二值形态滤波比较.实验结果证明了该方法的有效性,由此可以得出该方法能有效提高激光气泡检测的成像质量,保留气泡检测图像的边缘细节,以达到更高的检测精度.     

基于自适应加权非凸正则化和全变分的稀疏SAR成像

针对传统压缩感知(Compressive Sensing,CS)重构算法成像精度低及抗噪性能差等问题,提出了一种基于自适应加权极小极大凹罚函数和全变分的稀疏合成孔径雷达(Synthetic Aperture Imaging Radar,SAR)成像重建方法。首先,将加权思想同非凸函数簇中的极小极大凹罚函数结合,以进一步促进解的稀疏性;然后,与全变分判罚函数线性组合构成复合正则化器,以进一步提高抗噪性能;最后,采用交替方向乘子法求解该成像模型,并在求解过程中使用方位-距离解耦算子替换测量矩阵及其厄米特转置以减少存储空间。仿真与实测数据处理结果表明,所提方法相比于其他算法有更好的聚焦性能和重建精度。     

基于Hessian核范数正则化的快速图像复原算法

利用Hessian核范数进行图像复原是目前较好的高阶正则化方法,但是由于Hessian核范数正则项的高度非线性和不可微性,图像去模糊和去噪过程耦合度高,求解算法的复杂度高.本文利用变量分裂设计了一种具有闭解形式的交替迭代最小化快速图像复原算法,将图像去模糊、去噪分步进行,并给出算法的收敛性证明.实验结果表明,本文方法不仅在峰值信噪比方面优于原有的基于Hessian核范数图像复原的主优化(Majorization-Minimization,MM)方法,而且大大降低了算法的迭代次数和运行时间.     

基于广义规整化的红外湍流退化图像盲复原方法

针对湍流环境下红外成像的特点,提出了一种基于广义规整化的湍流退化图像盲复原方法.该方法在合理建立红外图像退化模型的基础上,根据极大似然估计准则来设计.为了抑制噪声同时有效地引入关于图像的先验信息,对传统的规整化方法进行了扩展,提出了广义规整化的策略,将规整化分为两个各有侧重点的层次,即复原过程中噪声的抑制和含噪条件下红外图像相关特征的保持,根据有限的先验知识将复原问题的求解转化为带规整化约束的最优化估计问题,进而复原湍流退化图像.     

基于增量维纳滤波和空间自适应规整的超分辨率图像复原

该文提出一种新的超分辨率图像复原方案,该方案利用了空间自适应规整方法的空间分段平滑特性和增量维纳滤波的快速收敛能力,将解的先验约束结合到迭代过程中,通过多幅低分辨率降晰图像来估计一幅高分辨率图像。计算机仿真结果表明,该方法可以有效实现超分辨率图像复原,有效地提高了复原的自适应控制能力和收敛性能。     

一种自适应分数阶变分图像复原模型

为了克服分数阶变分图像复原模型在图像的不同区域变分策略恒定以及未有效利用退化函数先验信息的缺点,建立了一种充分利用退化函数先验信息的自适应分数阶图像复原模型。该模型利用退化函数的平滑先验,采用分数阶变分对退化函数加以表示,并通过极小化图像局部梯度信息对分数阶变分项进行约束。模型的优化求解采用极小化Bregman距离与对偶迭代相结合的方法,并通过对比实验证明建立的自适应分数阶图像复原模型可以更好地复原图像的结构与纹理信息,峰值信噪比与结构相似性都有所提高,图像复原性能更优。     

基于非局部全变分正则化优化的单幅雾天图像恢复新方法

该文针对无雾图像具有高灰度对比度且大气遮罩局部平滑的特性,提出一种基于非局部全变分正则化优化的单幅雾天图像恢复新方法。先构建一种基于非局部全变分正则化的有约束优化算法对大气遮罩进行估计,然后通过优化Bregman分离迭代法求解非局部Rudin-Osher-Fatemi模型获得准确的大气遮罩,进而从雾天场景图像恢复出场景图像。实验结果表明,所提新方法可以有效地对雾天降质图像进行复原,对多纹理复杂区域的恢复效果也较好。     

基于邻域信息的噪声图像的恢复

噪声图像的恢复是影响图像信息提取的一个重要因素。主要针对现存的噪声图像恢复算法在消除细线及椒盐噪声方面的困难,基于待检像素的邻域信息提出了一种针对细线和椒盐噪声感染的图像的恢复算法。实验结果表明,文中所提算法不仅具有很好的抑制细线及椒盐噪声的效果,而且有效地保存了图像的细节与结构信息,同时对其它的噪声也有一定的抑制作用。     

基于自适应总变分法的AO图像复原算法研究

为了提高自适应光学(AO)图像的质量,研究了一种基于波前重构和自适应总变分(TV)的AO图像复原方法.首先,基于Zernike多项式进行波前重构,对点扩散函数(PSF)进行初始估计.然后,提出了基于自适应总变分法的AO图像复原的迭代求解,解决了联合去卷积问题.最后,通过图像复原实验验证本文算法的恢复效果.实验结果表明:与RL-IBD算法和FS-MLJD算法相比,本文算法的NMSE值分别降低了18.6％、10.7％,算法的PSNR值分别提高了4.47％、0.987％,算法的运算时间分别降低了1.99％、13.66％.     

一种改进的非凸正则项模型的噪声去除方法

针对非凸正则项模型,在去除乘性噪声时边缘信息对噪声敏感且强度较大的噪声抑制能力弱的缺陷,提出了一种改进的图像去噪新模型。在新模型中通过取对数将乘性噪声转变成加性噪声,然后在模型的正则项和忠诚项中均引入高斯卷积,既对图像进行平滑预处理,又获得丰富的边缘信息,从而对边缘作出精确定位,使新模型具有良好的鲁棒性并根据图像的特征进行平滑,因而更好地保护了图像的边缘。数值实验表明,新方法的去噪结果在定量指标上有大幅提高,视觉效果上也有较大改善,尤其是对强度较大的噪声,新方法的优势更突出。     

基于投影的稀疏表示与非局部正则化图像复原方法

提出一种基于投影的稀疏表示与非局部正则化相结合的图像去模糊、去噪图像复原方法.该方法结合了自适应构造字典的稀疏表示与非局部总变差,提出的正则化模型分解为三个投影子问题进行求解以提高求解效率.实验结果表明,本文所提出的图像复原方法能够有效地保持原图像的纹理细节信息,对于不同程度的退化图像上均有较好的复原结果,在视觉效果和客观评价指标上均优于相比较的现有方法.     

Adaptive Neural Network for Nuclear Medicine Image Restoration

A novel adaptive neural network is proposed for image restoration using a nuclear medicine gamma camera based on the point spread function of measured system. The objective is to restore image degradation due to photon scattering and collimator photon penetration with the gamma camera and allow improved quantitative external measurements of radionuclides in-vivo. The specific clinical model proposed is the imaging of bremsstrahlung radiation using ³²P and ⁹⁰Y because of the enhanced image degradation effects of photon scattering, photon penetration and poor signal/noise ratio in measurements of this type with the gamma camera. This algorithm model avoids the common inverse problem associated with other image restoration filters such as the Wiener filter. The relative performance of the adaptive NN for image restoration is compared to a previously reported order statistic neural network hybrid (OSNNH) filter by these investigators, a traditional Weiner filter and a modified Hopfield neural network using simulated degraded images with different noise levels. Quantitative metrics such as the change of signal to noise ratio (SNR) are used to compare filter performance. The adaptive NN yields comparable results for image restoration with a slightly better performance for the images with higher noise level as often encountered in bremsstrahlung detection with the gamma camera. Experimental attenuation measurements were also performed in a water tank using two radionuclides, ³²P and ⁹⁰Y, typically used for antibody therapy. Similar values for an effective attenuation coefficient was observed for the restored images using the OSNNH filters and adaptive NN which demonstrate that the restoration filters preserves the total counts in the image as required for quantitative in-vivo measurements. The adaptive NN was computationally more efficient by a factor 4–6 compared to the OSNNH filter. The filter architecture, in turn, is also optimum for parallel processing or VLSI implementation as required for planar and particularly for tomographic mode of detection using the gamma camera. The proposed adaptive NN method should also prove to be useful for quantitative imaging of single photon emitters for other nuclear medicine tomographic imaging applications using positron emitters and direct X-ray photon detection.     

用于图象复原的离散L-曲线自适应算法

描述了一种自适应的离散L-曲线正则参数的计算方法,正则化方法为截断奇异值分解法。该算法不需要预置参数,能够滤除L-曲线上的局部特征,略掉局部拐点,确保了解的收敛。在不同的噪声背景下以及不同尺度下我们进行了数值测试,并将测试结果与最优正则解进行对比分析。实验表明,该算法对图像的复原效果、可靠性和稳定性要优于传统的算法。     

基于分类误差一致性准则的自适应知识迁移

目前大多数迁移学习方法在利用源域数据辅助目标域数据建模时,通常假设源域中的数据均与目标域数据相关。然而在实际应用中,源域中的数据并非都与目标域数据的相关程度一致,若基于上述假设往往会导致负迁移效应。为此,该文首先提出分类误差一致性准则(CCR),对源域与目标域分类误差的概率分布积分平方误差进行最小化度量。此外,该文提出一种基于CCR的自适应知识迁移学习方法(CATL),该方法可以快速地从源域中自动确定出与目标域相关的数据及其权重,以辅助目标域模型的构建,使其能在提高知识迁移效率的同时缓解负迁移学习效应。在真实图像以及文本数据集上的实验结果验证了CATL方法的优势。     

一类改进遗传算法的图像信息恢复研究

首先,提出了直接一阶混合映射的灰度转换方程,改进了现有的基于远程相关性的图像信息恢复算法,既克服了直接映射平滑性差的缺点,又避免了一阶线性多项式映射存在的多项式系数分母为零的无意义问题可能带来的重大缺陷;接着,提出了一类改进的遗传算法作为图像恢复中远端窗口的搜索策略,避免了遍历搜索的费时费力,又克服了随机搜索的盲目性和不稳定性,与基本遗传算法相比加快了收敛进程,提高了准确性.实验结果表明,本文提出的两个方面的改进对图像恢复的效果令人满意,特别是改进的遗传算法在全局寻优中表现出了良好的鲁棒性.     

基于深度空间正则化的相关滤波跟踪算法

近年来,结合深度特征的相关滤波算法由于较高的跟踪精度在视觉跟踪领域受到了广泛的关注.对训练样本的周期性假设一方面提高了计算效率,但是也引入了边界效应,限制了算法性能的进一步提升.通过对深度特征表达能力的深入挖掘,本文提出了一种新的跟踪框架.由于深层特征具有良好的语义信息,选取VGG网络第五层卷积特征提取目标的空间可靠区域,将该区域信息用于对样本进行裁剪并引入目标函数,建立空间约束模型,接着采用ADMM算法进行迭代求解.为了进一步提高算法的长时跟踪能力,提出一种简单有效的遮挡判断方法.实验结果表明,所提出的算法在跟踪精度和成功率上优于大多数先进的算法.     

一种参数自适应正则化超分辨率图像重建算法

在正则化超分辨率重建算法中,正则化参数自适应对于抑制噪声和保持边缘非常重要.参数自适应通常是通过建立空间信息与参数的关系来实现的.在近期文献中,提出了一些空间信息自适应超分辨率重建方法,取得了较好的实验结果.然而在这些方法中,提取空间信息方法的计算量大,导致重建速度慢,限制了算法的应用.提出一种快速空间信息提取方法,并构建自适应参数模型,实验结果显示,该方法在大幅提高重建速度的同时,获得了更好的重建效果.