图像复原的Bregman迭代双正则化方法

正则化图像复原最终会导致一个大规模优化问题,提出了一种基于Bregman迭代双正则化的图像复原方法。该方法中目标函数同时考虑总变分正则化和小波域稀疏正则化,在Bregman框架下解决图像复原问题,并且给出了用于解该问题的分裂Bregman迭代算法。该算法将复杂的优化问题转化为几十次简单的迭代加以解决,每次迭代只需几次快速傅里叶变换和收缩操作即可。实验结果表明,提出的复原算法不论从客观改善信噪比还是主观视觉,都能取得很好的效果。同时与目前的复原算法相比,该算法有更快的收敛速度。     

分裂Bregman优化的总变分遥感图像复原

遥感成像过程中,受传感器固有局限、大气湍流等影响,图像会出现严重复杂的退化。相较普通图像复原,遥感图像复原后,细节应该更加丰富。然而,传统的Wiener滤波、Richardson-Lucy等复原方法,很难有效地抑噪声保细节。而且,默认的高斯噪声模型常与实际不符。本文基于总变分正则化的方法,对遥感图像进行复原,能够鲁棒去除各种噪声,且较好保持了细节信息。对TV正则化泛函寻优,采用分裂Bregman方法,通过引入辅助变量将原问题转化为三个简单子问题的迭代求解,降低了计算复杂度。实验证明,所提方法能有效复原不同噪声污染的遥感图像,较好地保持了细节信息。     

基于稀疏正则优化的图像复原算法

为提高图像复原的速度,改进图像复原的质量,提出一种新算法。将图像复原表示为一类标准的优化问题,采用交替最小化把该优化问题分解为等价的两个子问题。通过迭代求解这两个子问题,获得图像复原问题的解。在此迭代过程中,引入迭代软阈值法处理图像降噪子问题。实验对不同类型的模糊图像进行了复原,其结果验证了算法的有效性。与多级阈值Landweber(MLTL)算法和快速收缩阈值算法(FISTA)相比,处理相同图像时,所提算法可分别节省28%和71%的时间,同时复原图像的信噪比(SNR)可提高0.7~3.5dB。     

基于变分的盲图像复原质量评价指标

盲图像复原过程中,图像质量评价至关重要. 通过分析重构图像质量与其总变分值之间的关系, 提出了用于图像复原的一种基于总变分(Total bounded variation, TBV)的图像质量评估方法, 并构建关系模型, 证明了原始清晰图像的总变分值在所有模糊图像中具有极大值, 且在所有重构图像的变分值中具有极小值. 通过分析, 得出结论: 当总变分取极值时, 基于所提度量方法, 可以获得更好的盲图像重构效果. 最后, 比较了原始清晰图像、模糊图像和重构图像之间的变分值, 计算机仿真验证了该方法的有效性和准确性.     

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。     

L1-L 2正则化的图像复原交替优化算法

为快速且准确地重建原始图像,提出一种新的图像复原算法。在稀疏表示的框架下,建立图像复原问题的约束优化模型,同步估计原始图像及其稀疏表示。复原模型的目标函数包含L1-L 2双正则项,为此采用交替优化将模型分解为若干子问题,交替迭代求解这些子问题。其中不可微分的子问题,由迭代重加权方法进行处理。实验结果表明,仅需较少次迭代该算法即可获得原始图像及其稀疏表示的最优估计。与某些优秀的同类算法相比,该算法的速度更快,复原图像的质量更高。     

优化-最小求解的广义总变分图像复原

在代价函数中嵌入总变分正则项是解决图像复原中不适定问题的一种有效方法。但是,总变分正则化考虑的仅是一阶而不是高阶邻域像素变分关系;另外,总变分的开方形式还给基于总变分代价函数的优化带来了困难。为此,提出一种基于优化-最小算法的广义总变分正则化图像复原新方法,以克服目前存在的问题。该方法保留了总变分正则化方法能够除噪声保边缘的重尾特征,同时借鉴了双边总变分双重加权机制,从而推导出总变分正则项在邻域范围上的推广形式。该方法还针对广义总变分正则项优化过程中存在的求解瓶颈,提出采用优化-最小算法求得上界函数以逐次逼近最优解。实验结果表明,该方法取得了较好的复原效果,使改善信噪比指标达到2dB左右。     

基于稀疏表示的多正则优化图像复原

由于单正则化图像复原算法所利用的先验信息有限,影响了复原图像的质量。为克服此类算法的不足,融入更多的先验信息,改善图像复原的效果。在稀疏表示的理论框架下,提出了一种多正则优化图像复原算法。该算法将图像复原表示为含多正则项的全局优化问题,为有效处理这一复杂的图像复原问题,采用交替优化策略并借助变量分裂将其分解为若干优化子问题。其中,[uj+1]子问题可微,可直接得到其解析解。不可微的[wj+1]和[vj+1]子问题,则通过邻近映射求解。实验过程中对三种不同类型的退化图像进行了复原,所得结果验证了该算法的有效性。与FISTA（Fast Iterative Shrinkage-Thresholding Algorithm）和Split Bregman等单正则化图像复原算法相比,所提算法的复原效果和时间性能更优。     

基于组合字典的图像复原约束优化算法

提出一种基于组合字典和约束优化的图像复原算法。建立表示图像复原问题的约束优化模型,其目标函数由l2保真项和双l1正则项的线性组合构成。利用交替优化技术将模型分解为多个子问题求解,并通过邻近算子解决降噪子问题。实验结果表明,与Oliverira算法和Beck算法相比,该算法的复原速度较快,所得图像质量较好,且复原图像与原始图像的均方误差较小。     

基于Split Bregman算法的图像复原

图像复原研究由来已久。一种比较传统的图像复原方法是假设系统的脉冲响应,即事先知道点扩散函数。然而,在大多数实际情况下,很难具体确定点扩散函数,我们仅能通过退化之后的图像来恢复图像,即图像盲复原法。图像盲复原法是在已经观测到的退化图像的基础上,根据特定条件建立合适的数学模型,从而在一定条件下获得最接近原始图像的逼近值。文章通过Split Bregman算法对灰度图和LAB图进行图像复原,并进行了对比实验。     

一种有效保持边缘特征的散焦模糊图像复原方法

图像复原过程中图像的主观视觉质量与图像的局部细节信息之间密切相关.针对散焦模糊图像,提出一种新的图像复原方法.所提方法在传统双边总变分正则化方法基础上,通过引入一种具有结构自适应的局部权值函数,构造了一种新的图像复原目标函数.该目标函数综合考虑了图像的全局与局部统计特性,即在整体保真情况下还充分考虑了图像的局部结构信息,使得所提复原方法能更有效地保持图像的边缘等细节信息.与传统BTV正则化方法的比较实验表明,所提方法在边缘保持方面更有效,复原后的图像具有更好的主、客观视觉质量.     

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。     

Wiener滤波图像复原

图像在获取、传输和存储过程中由于受多种原因如模糊、失真、噪声等的影响,会造成图像质量的下降。本文首先探讨了图像退化的原因,建立图像复原的模型;然后设计采用Wiener滤波算法对图像进行复原;最后对经典的Lenna图像进行图像实验,并分析了实验的结果。     

基于字典对联合学习的退化图像复原方法

针对传统字典学习方法在退化图像复原中效果不理想的问题,提出一种基于字典对联合学习的退化图像复原方法.首先在图像稀疏分解和字典学习的基本框架下,对基于字典学习复原方法的整个过程和关键步骤进行分析;然后针对图像复原的线性模型存在的缺陷,提出一种非线性的基于字典对联合学习的框架,解决了传统字典学习方法在退化图像复原中存在的不对称问题;最后利用随机梯度下降算法估计字典模型参数,并使用一种经典的启发式方法提高该算法的稳定性和收敛速度.基于各向同性和各向异性模糊核的实验结果表明,该方法对于非盲图像复原与当前技术条件下的方法相比是有竞争力的,甚至是更好的.     

图像复原的Contourlet收缩与广义全变分正则化方法

建立了广义全变分(total variation,TV)模型,分析正则项在复原算法中的作用.分别从图像的平坦区域和边缘区域入手,在平坦区域图像各向同性扩散,在边缘区域则要满足各向异性扩散,从理论上对两种情形下的扩散做深入分析,推导出广义TV模型满足的一些条件,为了防止高噪声情形下复原模型失效以及克服方块效应,在正则项中引入了 Contourlet收缩,它是一种多分辨的、局域的、多方向的更稀疏的图像表示方法,正则项中引入的Contourlet收缩具有去噪和提取图像重要信息的作用,Contourlet收缩与广义TV正则化相结合,兼顾了图像的光滑性和边缘保持,特别是在图像严重模糊、噪声越多的情形下,更加体现了这种算法比改进的TV模型有效.     

基于模糊函数估计和变分泛函数优化的含噪声模糊图像复原算法

针对摄影图像中常见的噪声和模糊同时退化图像的问题,提出一种Radon变换估计模糊函数结合变分泛函优化的图像复原算法。算法首先利用方向滤波器对图像去噪,然后利用Radon变换以去除方向滤波在模糊函数估计中引起的偏差,再利用模糊函数通过去卷积操作去除模糊,最后在去模糊的基础上利用 L0梯度范数的变换泛函的优化算法,去除剩余噪声从而对图像进行复原。实验表明,该算法可以有效地恢复摄影图像中的场景。     

含脉冲噪声模糊图像复原的自适应二阶变分模型 *

针对经典的基于L1数据保真项的总变分图像复原模型易导致阶梯效应和损失图像重要细节的缺陷,提出了一种基于L1数据保真项的二阶总广义变分(Total Generalized Variation, TGV)图像复原模型。为进一步提升含脉冲噪声模糊图像复原质量,在二阶TGV图像复原模型中引入边缘检测算子,使其在图像边缘区域减弱扩散,较好地保护图像边缘特征;在图像平滑区域增强扩散,有效地消除脉冲噪声和抑制阶梯效应。为稳定地复原降质图像,采用交替方向乘子法求解二阶变分模型。实验结果表明,提出的图像复原模型在消除噪声和模糊的同时,能成功抑制阶梯效应并保留图像的边缘结构特征。相比经典的图像复原模型,新模型在信噪比、相对误差和结构相似度等方面均取得了较好的图像复原效果。     

自适应图像复原模型梯度阈值选取研究

自适应图像复原模型,能满足中高噪声强度下进行图像复原的要求,但在选取图像梯度阈值时,通过交互迭代,运算量大,耗费时间长。本文基于对图像边缘灰度突变特性的考虑,通过引入图像梯度幅值直方图的方法,利用像素点梯度模值来区分边缘区和平滑区,开辟了在图像复原中选取梯度阈值参数的新途径,取得了很好的降噪复原效果,而且,选取梯度阈值的过程,耗时少,运算简单,选取过程直观快捷。     

面向全变分图像复原的增广拉格朗日方法综述

图像复原旨在根据退化图像重建高品质原始图像,其复原的质量和速度问题一直都是图像处理领域研究的重要方向。由于其图像边缘保持特性,全变分（TV）最小化模型在图像复原领域取得了很大的成功。然而,全变分图像复原是一个典型的非光滑优化问题,需要发展相应的快速优化算法,而增广拉格朗日方法（ALM）则是近年来发展起来的一类代表性方法。结合相关进展,综述了全变分图像复原模型,变量分裂（VS）法和典型ALM算法,并通过实验从CPU运行时间、峰值信噪比（PSNR）和品质评价等方面分析了不同的变量分裂和ALM方法对图像复原性能的影响。     

基于小波包分解的整体变分去噪算法

由Rudin等人提出的整体变分（TV）模型被认为是目前最好的图像去噪模型之一。理论表明,TV模型对分块常量的图像去噪效果显著。对于纹理细节丰富的图像,通过引入小波包分解技术,对图像的纹理细节进行多层小波包分解,得到一系列近似分块常量的子图像,用TV模型对子图像分别进行处理,从而图像的纹理细节得到了更好的保留。相对于单独使用TV模型去噪,该方法得到的复原图像峰值信噪比（PSNR）提高了1 dB左右。同时由于采用改进的Bregman迭代方案求解TV模型,算法收敛时间得到了极大的减少。