基于空间自适应和正则化技术的盲目图像复原

在原非负支撑域递归逆滤波（NAS-RIF）算法基础上,本文提出一种基于空间自适应和正则化技术的改进算法。在代价函数中,引入两项空间自适应的加权项,分别用来确保图像复原的逼真和平滑,自适应加权项需根据观察图像的局部特性和噪声方差求得。并加入正则化项,以达到抑制噪声的目的。本文提出了根据观察图像来估计噪声方差的方法,因而不需要知道噪声方差的先验条件。在求解中,采用共轭梯度算法来进行求解。对不同背景和不同信噪比的图像进行了仿真实验。结果表明：改进后的算法比原来的算法复原效果更好。     

自适应阈值的超变分正则化图像盲复原

针对一阶总变分盲复原块效应严重的问题,提出了一种自适应阈值的超变分正则化图像盲复原方法来恢复点扩散函数未知的退化图像。对总变分形式进行了分析,提出了超变分正则项,并给出了代价函数的数学模型。用估计的图像噪声确定模型中阈值的大小,然后引进3个辅助变量等价转化代价函数,以便简化后续计算并提高复原效果。最后,利用半二次规整化对模型迭代求解。实验结果表明,复原后图像细节增加且块效应减少,相对于目前已有的方法,信噪比提高了近1dB。恢复效果表明该方法具有较大的实用价值。     

基于小波变换的正则化盲图像复原算法

提出了一种将小波变换和自适应正则化方法相结合的盲图像复原算法。该算法先对退化后的图像进行小波分解,得到图像在不同子频段的信息;然后针对各个子频段内图像的频率和方向特性,使用不同的自适应正则化复原方法,在图像的低频子频段进行去模糊;高频子频段则进行抑制噪声和保边缘特征;最后通过小波逆变换得到复原后的图像。实验结果表明, MSE减少了1.60,信噪比增量为1.76,算法性能和复原效果相对空间自适应正则化方法,都有一定的提高。     

空间目标图像的非凸稀疏正则化波后复原

现有的空间目标图像波后处理方法多直接套用自然光学图像的复原技术,效果并不理想。本文通过分析空间目标图像的近似稀疏性和灰度值服从超拉普拉斯分布的独有特点,提出了一个采用正则化方法的非凸稀疏正则化空间目标图像复原模型。在数值计算过程中,根据交替方向乘数法将复原模型分解为两个子问题,对凸优化子问题采用快速傅里叶变换求解,对非凸优化子问题采用固定点迭代方法求解。文中设计了非凸稀疏正则化空间目标图像波后复原的完整算法流程,并针对模拟图像和真实空间目标图像进行了对比验证。结果显示:相对于最近的流行算法,提出方法的最大峰值信噪比提高了2dB,最大平均结构相似度提高了0.17,最大信息熵提高了3.85,图像清晰度提高了2.65。     

多范数混合约束的正则化图像盲复原

针对传统的正则化盲复原方法中图像和点扩散函数(PSF)的保真项和正则项分别采用同范数约束致使复原图像的质量下降,估计出的PSF准确性降低的问题,提出了多范数混合约束的正则化图像盲复原方法.首先,复原图像的保真项和正则项分别采用L1范数和全变分(TV)范数来消除复原图像中的阶梯效应并较好地保护复原图像的边缘.其次,PSF的保真项和正则项分别采用L2范数和H1范数以降低估计PSF时参数调节的难度.最后,通过分裂布雷格曼迭代方法对提出的模型进行最优化求解.在人造模糊图像和真实模糊图像上进行了实验,结果表明:提出的方法能够对运动、散焦等多种模糊类型的图像进行有效复原,并准确地估计出相应的PSF.与近年来一些较好的模糊图像盲复原方法相比,不仅在主观视觉效果上有较为明显的改进,而且在客观的改善信噪比(ISNR)上也提高了0.36 dB到14.66 dB.     

抑制寄生波纹的红外图像降晰函数辨识算法

提出了一种针对军事目标红外模糊图像复原的降晰函数辨识算法。该算法根据气动光学效应形成湍流流场的机理建立相应的模型,将点扩展函数简化为可用参数描述的高斯函数形式;利用红外图像的边缘梯度变化特性提出边缘清晰度改善量,并作为降晰函数参数辨识的评价标准,清晰度改善量取最大值时对应的参数就是观测图像的最佳降晰函数参数;针对复原过程中可能出现的振铃效应,运用细节规整化思想衍生的加权空间复原算法,自适应地抑制寄生波纹的产生。实验验证表明,本文方法能有效地复原红外模糊图像,且对降晰函数的辨识准确率高,相对误差可以降低至4.5%左右。另外,抑制振铃寄生波纹效果良好。复原后图像在各项质量评价指标上都有很大提高,峰值信噪比提高量超过9.4dB,综合评价指数ImageQ提高了20以上。     

湍流退化红外图像降晰函数辨识

针对高速湍流场导致的红外成像模糊,提出了一种基于图像质量评价的湍流退化红外图像降晰函数辨识算法。利用先验知识将退化过程简化为可用参数描述的二维高斯函数形式,将退化图像分割为边缘区、纹理区和平坦区,计算不同支持域下复原图像在不同参数时的峰度值;利用曲率最大准则对得到的“峰度-参数”曲线进行相应的降晰函数参数估计,进而由支持域和对应的估计参数得到对应降晰函数并用于复原退化图像;最后对复原图像进行无参考图像质量评价,评价指标最高的复原图像对应的降晰函数即为最终辨识结果。实验结果表明：该算法能较好地辨识降晰函数参数和支持域大小,当退化图像信噪比大于30 dB时,估计参数与真实值的最大偏差小于±5%。该算法所得结果可以作为湍流退化红外图像其他复原算法的降晰函数起始估计。     

基于边缘预测和稀疏约束的湍流图像盲复原

大气湍流严重影响天文观测图像的成像效果,必须对退化图像进行处理才能获得清晰的图像。经典的湍流退化图像盲复原算法(IBD、NAS-RIF等)使用的先验知识过于简单,导致很多场合不能获得较优的复原效果。近几年提出的稀疏表达理论,使用自然图像边缘的稀疏先验信息指导图像复原,能复原出较多的细节,但它直接使用模糊图像的梯度图像指导点扩散函数复原,而模糊的梯度图像包含很多噪声和伪边缘,无效的梯度会误导点扩散函数的估计,从而使复原图像中出现较多伪迹。针对上述问题,提出了一种基于边缘预测和稀疏比值正则约束的湍流退化图像盲复原算法,该算法首先从当前的复原图像中预测出有效的边缘,然后将边缘预测信息与自然图像边缘的稀疏先验信息相结合指导点扩散函数复原,得到点扩散函数后,再通过一种非盲复原算法恢复出当前的目标图像,并将此复原图像作为下一次边缘预测的输入图像,如此迭代循环直到求出最终清晰的目标图像。所提算法结合了图像的先验信息与退化图像自身包含的有效信息,能有效抑制图像复原过程中产生的伪迹,获得令人满意的结果。针对多幅模拟的湍流退化图像进行仿真测试,验证了算法的有效性。     

基于稀疏表示和Weber定律的运动图像盲复原

针对运动过程中视觉图像易产生运动模糊的问题,提出了一种基于稀疏表示和Weber定律相结合的图像盲复原方法。该方法利用冲击滤波器预测模糊图像的显著边缘梯度,并用多尺度策略由粗到细进行模糊核的估计。然后,对图像盲复原模型进行稀疏正则化约束,并结合反映人类视觉特性的Weber定律对合成模糊图像和真实模糊图像进行盲复原。实验结果表明,本文采用的盲复原算法的性能指标和图像的纹理都达到了较优的复原效果。与近年较好的Rob Fergus去模糊方法和Xu Li去模糊方法相比,对Lena模糊图去模糊后的结构相似度(SSIM)为0.762 4,峰值信噪比(PSNR)提高了1.82~2.99dB;对Cameraman模糊图去模糊后的结构相似度(SSIM)为0.8589,PSNR提高了2.46~5.58dB。另外,本文方法降低了复原图像的边界伪影,符合人的视觉感知特性。     

高阶混合正则化图像盲复原方法

提出了一种高阶混合正则化图像盲复原方法,用于实现模糊噪声图像的清晰化盲复原。根据自然图像边缘的稀疏特性,对图像的边缘细节成分进行了全变差(total variation TV)正则化约束,根据自然图像同性质平滑区域内像素值的变化规律,将一种高阶的类Tikhonov正则化约束运用于图像的平滑区域中,提出了一种新的高阶混合正则化模型。最后,提出一种多变量分裂布雷格曼(Multi-variable Split Bregman MSB)最优化迭代策略对提出的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的边缘细节,同时有效地消除图像平滑区域内的阶梯和假边缘瑕疵。与近几年的一些较好的图像盲复原方法相比,本文方法的信噪比增量(increase of the signal to noise ratio ISNR)增加了0.03~2.5 dB。     

组合曝光的计算成像系统及其复原

传统光学成像方式在低照度条件下拍摄高速运动物体时,通过积分时间的配置难以平衡能量获取和高速运动模糊之间的矛盾。为了解决低照度条件下高速运动物体的清晰成像问题,本文提出一种基于组合曝光图像的计算成像方式,通过高帧频相机采集邻近两帧形成组合曝光图像对,基于两帧图像信息的互补,合理估算运动模糊点扩散函数,最终获取高信噪比的复原图像。试验结果表明,本文所述的计算成像方法能够良好地解决低照度条件下高速运动目标的成像模糊问题。通过本方法获得的复原图像相比原降质图像在细节纹理上有明显的改善,客观评价指标峰值信噪比(PSNR),结构相似指数(SSIM)相比原降质图像提升10%左右,整体性能效果优于现有非深度学习复原方法,图像清晰可靠,具有良好的主观视觉效果。     

基于L-曲率流滤波器的图像降噪算法

提出了L-曲率流滤波器的图像降噪(滤波)算法,该方法按图像信噪比大小分高、中、低3类,分别由L滤波器降噪、多级L滤波器降噪以及多次迭代的组合滤波器降噪,并进行了实验研究。结果表明:该算法与均值和中值滤波器相比,输入图像信噪比越低,滤波效果越明显。当输入图像为低信噪比时,对于受高斯噪声污染的图像,该算法滤波比均值滤波平均提高2.98 dB;对于受脉冲噪声污染的图像,该算法滤波比中值滤波平均提高11.09 dB,说明该算法对降低不同种类和不同信噪比的图像噪声有较强的适应性。     

边缘保持正则化低码率压缩图像后处理算法

从图像恢复的角度,提出以正则化方法完成后处理任务。分析了正则化方法的模型,并给出了边缘保持的正则化函数所应具有的特性。从复杂性、健壮性和对边缘细节粒度控制的能力三个方面选择了相应的势能函数,然后以半二次正则化将能量函数进行转换,使其快速达到最小化。最后给出了整个交替迭代后处理算法的描述。该方法对图像边缘细节具有自适应性,并能较快地取得最小值。实验结果显示,该算法能有效地提高低码率压缩图像的客观质量和视觉效果。