一种获取正则化参数的新方法

提出了一种获取正则化参数的新方法。利用随机理论解决正则解模糊误差能量期望值最小化问题,确定正则化参数。对正则化算子给定为Laplacian算子的情形予以测试,实验结果表明该文的恢复技术比传统方法的恢复性能好,恢复效果接近最佳且性能稳定。     

一种基于正则化方法的准最佳图像复原技术

提出一种基于正则化方法的高效图像复原技术.正则化残量的能量越小,则恢复效果越好,基于此,利用小波变换定性地分析如何选取正则化算子,利用随机理论得到正则化残量的能量期望值,通过最小化这个期望模型确定正则化参数,从而得到正则化图像.定性分析表明,在通常情况下应选取低阻高通的正则化算子.实验结果表明,该恢复技术比传统方法的恢复性能要好,恢复效果接近最佳且性能稳定.     

正则图像恢复中正则化算子选取的定性分析

对病态图像恢复中正则化算子的选取问题进行定性分析。以最小化正则解模糊误差为目标,利用泰勒级数定性地分析怎样选取正则化算子,得出结论:在信号的强度大于噪声强度的频带正则化算子应该是带阻的,而信号的强度小于噪声强度的频带正则化算子应该是带通的,通常情况下应选取低阻高通的正则化算子。实验结果表明了该结论的正确性。     

一种图象恢复效果接近最优的正则化方法

提出一种新的技术，它自适应地选取正则化参数以取得较理想的恢复效果．利用小波变换，分析正则化算子和正则化参数对图象残差的各子频段能量的影响．在本文条件下，我们论证正则化算子取拉普拉斯算子比取恒等算子恢复性能好,并且预测噪声能量．实验结果表明本文提出的方法不需要知道噪声能量，也能够自适应地确定正则化参数并且恢复性能比传统的方法好，恢复效果非常接近最优恢复．     

一种改进的正则图象

把正则图象的误差分成两部分：一部分为逼近误差，它是和原图象相关的确定型误差，另一部分为噪声传递误差，它是和噪声相关的随机型误差．通过正则图象代替原图象，求得逼近误差的近似值，然后将逼近误差近似值补给正则解，得到改进型正则解．对正则解以及逼近误差的计算，提出了快速算法，并有严密的理论推导．实验结果表明改进型正则图象的恢复效果优于传统正则解．在一敷的正则化方法中，可以借鉴本文提到的方法改进正则解．     

紧框架域混合正则化模型在图像恢复中的应用

目的 有界变差函数容易造成恢复图像纹理信息丢失,并产生虚假边缘,为克服此缺点,在紧框架域,提出一种保护图像纹理信息,抑制虚假边缘产生的混合正则化模型,并推导出交替方向迭代乘子算法。方法 首先,在紧框架域,对系统和泊松噪声模糊的图像,用Kullback-Leibler函数作为拟合项,用有界变差函数半范数和L₁范数组成混合正则项,二者加权组成能量泛函正则化模型。其次,分析混合正则化模型解的存在性和唯一性。再次,通过引入辅助变量,利用交替方向迭代乘子算法,将混合正则化模型最小化问题分解为4个容易处理的子问题。最后,子问题交替迭代形成有效的优化算法。结果 紧框架域混合正则化模型有效地克服有界变差函数容易导致纹理信息丢失、产生虚假边缘的不足。相对经典算法,本文算法提高峰值信噪比大约0.10.7 dB。结论 与其他图像恢复正则化模型相比,本文算法有利于保护图像的纹理,抑制虚假边缘,取得较高的峰值信噪比和结构相似测度,适用于恢复系统和泊松噪声模糊的图像。     

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。     

基于正则化的多光谱图像二值化处理

为了进一步提升传统多光谱图像二值化处理方法的处理速度和抗噪性能,提出基于正则化的多光谱图像二值化处理方法。将正则化约束引入到多光谱图像去噪模型中,对现有的多光谱去噪模型进行改进。并利用正则化框架中的数据正则项对图像的噪声机制以及图像的先验信息进行建模,以实现多光谱图像去噪处理。根据去噪结果采用约束能量最小化方法获取多光谱图像的边缘信息,将最佳全局阈值法和局部阈值自适应方法在边缘信息的基础上相结合,实现对多光谱图像的二值化处理。仿真结果表明,所设计方法具有较强的抗噪能力和较快的处理速度,并且经处理后的图像分辨率较高,充分验证了上述方法的有效性。     

带微调参量的正则化方法及其在降质图像恢复问题中的应用

1 引言降质图像恢复问题就是图像处理领域里一类反问题。降质图像恢复中的解通常是病态的,利用正则化方法恢复图像取得了较好效果。然而,传统的正则化方法中正则逆算子只含正则化参数,它不能充分地融合其它信息,得到的正则解逼近真解的效果不很理想。为了取得好的恢复效果,各种各样融合其它信息的方法提出来了,以使正则化方法的恢复效果更好。例如,使用局部正则化参数,图像的边缘和纹理区域使用较小的正则化参数,平滑的区域使用较大的正则化参数,局部方差较小的区域正则化参数较大,局部方差较大的区域正则化参数较小,产生自适应正则化参数的正则化方法。人们根据图像的能量、导数的二次平均、曲率的二次平均等设计出各种各样的正则化算子,不同的正则化算子将导致不同的     

一种变步长迭代正则化图像复原的新算法

针对现有迭代正则化方法复原质量不高的问题 ,提出了变步长迭代正则化图像复原方法 ,并在三种不同的正则参数下对该方法的恢复性能进行了检验。实验结果表明 ,该方法不仅提高了图像复原的质量 ,极大地减少了迭代算法的运行时间 ,而且当噪声能量增大时 ,迭代过程中解的稳定性也不会受到影响 ;更重要的是它对正则参数的选择不敏感。     

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.     

小波多尺度分析目标图像复原

为了有效复原模糊图像以得到可辨识的目标图像,需要根据目标图像的纹理特征来进行有约束的正则化复原。针对大尺度模糊图像的复原处理,通过分析常见的自适应正则化方法在抑制噪声及虚假波纹方面存在的问题,提出基于小波多尺度分析的正则化复原方法,该方法利用小波变换的多尺度分析技术直接分析模糊图像,结合形态学操作得到合理反映目标棱边分布的图像,并利用该图像加权调节正则化参数进行复原操作。实验表明该算法能够有效处理大尺度模糊,并能够较快地收敛到易于辨识的目标图像。     

基于稀疏正则化和变量分裂的图像去模糊

传统的图像去模糊方法易产生振铃和边缘模糊等“伪像”效应,针对这一问题,采用非光滑的正则项约束图像在稀疏字典下表示系数的稀疏性,并引入非负约束项,提出了图像的稀疏正则化去模糊模型。进一步,基于交替方向拉格朗日乘子算法,提出了求解该模型的多变量分裂迭代快速算法,将复杂问题求解转化为三个简单子问题的迭代求解,降低了模型求解的复杂性。实验结果表明,所提出的去模糊模型及其快速算法相对较好地保持了图像的结构特征和平滑性,并降低了计算复杂性。     

基于最小鉴别信息的正则化图像恢复方法

提出在正则化图像恢复方法中将图像恢复结果与先验图像的最小鉴别信息作为新的正则化约束.同传统的正则化约束不同,新的约束使得恢复的图像与给定的先验图像具有最相似的灰度分布.同时给出一种自适应确定正则化参数的方法.实验结果表明,新方法在恢复效果上要优于传统的正则化方法,但对噪声则比较敏感.因此,提出在降质图像含有较多的噪声时保留传统的正则化约束,以达到更好的恢复效果.     

基于正则化技术的超分辨图像盲复原

针对低分辨率图像盲复原中信息不足的问题,可以用正则方法来求解。假设点扩散函数结构已知而参数未知,模糊矩阵可表示为带参数的形式,在Nguyen等人的正则有参盲复原框架的基础上,进一步根据Roberts交叉梯度算子构造正则项,从自适应的角度构造正则化参数,并用迭代法求解该框架的目标泛函极小值。算法分析和实验结果表明,这种方法能取得令人满意的超分辨图像复原效果。