非凸高阶全变差正则化自然光学图像盲复原

受噪声和图像边缘结构信息的影响,传统的图像盲复原方法易出现"振铃"、"拖尾"、"阶梯"等现象。为解决上述问题,本文利用图像的后验信息、点扩散函数(PSF)的稀疏性以及l1,l2两类范数在约束中的不同作用,提出了一种更一般的非凸高阶全变差正则化自然光学图像盲复原模型。针对提出模型的非凸优化问题,在数值求解过程中对模型的范数结构进行改进,引入Split-Bregman权值迭代方法,提高了计算精度。对人工模拟退化图像和真实图像进行了实验测试。结果表明,提出的方法能够对多种退化类型的图像进行有效复原,复原后的图像边缘保持良好,细节和纹理的处理都优于最近文献提出的模型。客观评价结果显示,相比最近文献的模型,提出模型的峰值信噪比最大可以提高2.08dB,信息熵值最大可以提高1.14个单位。     

基于L0稀疏先验的相机抖动模糊图像盲复原

提出了一种基于L0稀疏先验的改进正则化模糊图像盲复原算法来解决相机抖动所产生的模糊问题。根据模糊图像的梯度分布要比清晰图像稠密并且暗通道的稀疏性也相对较小这一固有属性建立了新的优化模型。针对L0范数的高度非凸性和暗通道稀疏优化过程中涉及到的非线性最小化问题,提出了一种近似线性映射矩阵,并用半二次分解法对L0最小化问题进行求解。最后,采用快速傅里叶变换在频域中对模糊核及清晰图像进行交替迭代运算得到复原图像。对多幅不同类型的模糊图像进行了实验,结果显示:复原图像平均灰度梯度高达11.411,图像信息熵达到7.304,处理365×285的图像只需8.07s。提出的算法有效抑制了图像边缘处的振铃效应,完整保留了清晰的细节信息的同时显著提高了运算速度,并适用于多种不同类型图像的盲复原。     

保留结构特征的稀疏性正则化图像修复

以压缩传感和稀疏表示为理论依据,提出了一种基于剪切波变换的稀疏性正则化的图像修复模型,以便更好地保留图像的结构特征.该模型用剪切波作为图像的稀疏表示,以稀疏性作为正则化项;同时基于变量分裂法,采用增广Lagrange优化方法求解最优化问题.另外,通过交替最小化方式来降低计算复杂性.从峰值信噪比(PSNR)、结构相似度(SSIM)、收敛速度和视觉效果等4个方面验证了算法的有效性.结果显示:利用本文算法修复图像的质量明显优于其他算法,获得了更优的PSNR和SSIM值.新的模型无论是在客观还是视觉主观方面都具有更好的性能,同时算法具有更快的收敛速度.得到的结果表明本文算法能够更好地修复图像,获得较好的视觉效果.     

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。     

近似稀疏正则化的红外图像超分辨率重建

针对红外图像分辨率低、受噪声影响严重等问题,引入近似稀疏正则化和K-奇异值分解（K-SVD）法,提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染,首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合近似稀疏表示模型和K-SVD方法,提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能,对提出的算法与稀疏性正则化的图像超分辨模型（SRSR）和Zeyde算法进行了实验比较。结果表明,本文方法能够较好地减少红外图像中的噪声,同时获得更好的超分辨率重建效果。     

基于稀疏权值的非局部图像去噪模型

非局部正则化模型保留了全变分的一些数学性质和非局部模型的特征,有较好的去噪效果。本文对非局部正则化模型的权值计算方法进行改进,提出了一种稀疏的权值矩阵,并用分裂Bregman算法对改进的非局部正则化图像去噪模型进行求解。实验结果表明本文提出的基于稀疏权值的非局部正则化图像去噪模型的分裂Bregman算法实现较好,在保证去噪效果情况下,时间上较之前模型的分裂Bregman算法有所改进。     

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。     

应用自适应权值矩阵的图像复原

由于自然图像先验模型的概率密度函数的非高斯性(稀疏性的)会导致图像复原的最优化函数不再是凸的,传统意义上的最大后验估计已不能很好地求得最优估计解,因此本文提出利用自适应权值矩阵来解决这一问题.进行图像复原时,首先利用自然图像先验模型有效地抑制振铃效应,然后利用基于自适应权值矩阵的共轭梯度算法来解决由于稀疏先验模型导致的最优化函数非凸的问题.权值矩阵可根据上一次的迭代结果进行更新,并能够纠正图像在上一次迭代过程中局部区域导数估计的错误.实验结果显示,利用本文方法得到复原图像的峰值信噪比(PSNR)为36.131 6,优于其它算法.最后,用本文方法对全景图像进行复原,得到了很好的复原效果,证明了本文方法的实用性和有效性.     

非凸罚正则化稀疏低秩矩阵的大型减速机圆锥滚子轴承微弱故障诊断

在强烈外界噪声下或轴承故障早期发展阶段,从轴承非平稳故障信号中提取微弱冲击成分是一个难点,针对这一问题,提出了一种新的基于非凸罚正则化稀疏低秩矩阵（Non-convex penalty regularization sparse low-rank matrix,NPRSLM）的轴承微弱故障特征提取方法。该方法不依赖振动信号结构的先验知识,也无需采集大量的样本信号来训练字典,避免了传统稀疏表示设计冗余字典带来的缺乏物理意义,通用性差等缺陷。该方法的核心思想是把采集的振动信号与待提取的故障脉冲看作一维矩阵（向量）,通过求解稀疏正则化的反问题得到故障脉冲信号。在建模上,通过引入非凸罚函数代替了传统最小化L1-norm融合套索算法,建立非凸罚正则化稀疏低秩矩阵模型,理论推导了所建立模型的严格凸性,并利用交替方向乘子法（Alternating direction method of multipliers,ADMM）对模型进行求解,同时讨论了模型参数对模型算法的收敛性问题、凸性与非凸性边界取值问题等。仿真算例与大型减速机圆锥滚子轴承诊断实例表明：该方法不仅能提取隐藏在强烈外界噪声中的微弱冲击特征,而且改善了传统最小化L1-norm融合套索算法在提取微弱故障冲击时产生的脉冲能量大幅衰减与脉冲数目丢失问题。     

基于曲面拟合与广义总变分的卫星图像盲复原

鉴于卫星成像过程中大气与相机系统的模糊效应,提出了一种肓图像复原算法,该算法包括调制传递函数(MTF)估计步与图像复原步.在MTF估计阶段,通过分析卫星成像链路中的每一降质过程,给出了总的MTF的参数模型并用以拟合降质图像的归一化对数振幅谱曲面.在图像复原阶段,给出了一种基于最大后验概率(MAP)估计的边缘保存图像复原算法,该算法假定原始图像边缘的先验分布满足广义高斯分布(GGD)模型并且其形状参数与尺度参数由矩估计法自适应确定.最后算法被证明为一种广义的总变分(Tv)正则化复原方法且由梯度投影法进行优化求解.在数值实验中,通过比较SPOT-5卫星图像与中巴地球资源卫星-02B星(CBERS-02B)高分辨率相机(HR)卫星图像的复原结果,算法在边缘保存与噪声抑制方面都要优于TonyClam等人提出的基于TV正则化的迭代非参数盲复原与L.Bar等人提出的基于Mumford-Shah正则化的迭代参数盲复原.     

基于自学习的稀疏正则化图像超分辨率方法

如何设计既能够保持边缘与纹理结构又具有较低计算复杂度的图像超分辨率算法是目前该领域有待解决的难点问题。在Bayesian统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性,稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。为使稀疏域更好地表征高分辨率图像,选取高分辨率图像块的高频特征进行稀疏表示,由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中,即直接从当前估计的高分辨率图像特征块学习词典,与从训练样本库中学习词典相比,这种自学习的方法对不同图像的自适应性更强,并且减少了运算量。实验结果表明,该方法可以重建清晰的图像边缘,减小振铃效应,并且对噪声具有很好的鲁棒性。     

基于L0正则化模糊核估计的遥感图像复原

基于模糊图像的退化过程、卷积模糊模型和模糊图像生成的机理,提出一种基于L₀范数的正则化模糊核估计方法,解决了遥感图像重建问题中0范数难求解的难题。该方法以模糊核稀疏性为先验知识,采用对应梯度的L₀范数为正则项,有效避免了细小边缘对模糊核估计的影响,使得模糊核的估计更加准确。进一步采用超拉普拉斯分布来近似图像梯度的重尾分布,利用L_0.5范数正则化对模糊图像做反卷积,从而恢复出原始图像。与传统方法相比,本文方法可以准确地估计出图像的模糊核,很好地抑制恢复图像的振铃现象,有效地提升遥感图像的质量。模糊图像以及各方法重构图像在同一刀刃下的调制传递函数（MTF）曲线显示,本文方法的MTF曲线得到了较好的提升。     

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。     

基于非负支撑域受限递归逆滤波的自适应图像盲复原

针对原始非负支撑域受限递归逆滤波(NAS-RIF)算法存在的缺点,提出了一种自适应的NAS-RIF图像盲复原算法.首先,在NAS RIF算法的代价函数中加入正则化约束项和空域加权因子,通过自适应地调整正则化参数和空域加权因了来改善算法的抗噪性能,并确保复原的逼真和平滑.然后,在算法的每次迭代中,采用图像分割技术找到准确的目标支持域,并用背景的平均值取代非均匀背景.最后,利用N步重置共轭梯度法优化代价函数,加快了算法的收敛速度.在不同信噪比条件下对两种模糊图像进行了实验,结果显示,采用本文算法得到的信噪比增益(△SNR)分别为6.315 3 dB和8.910 6 dB,表明该算法具有较好的噪声抑制和边缘细节恢复效果.对低信噪比的退化图像,本文算法也能得到更好的复原结果.     

A hybrid regularization method combining Tikhonov with total variation for electrical resistance tomography

Electrical resistance tomography (ERT) is a promising measurement technique in industrial process imaging. However, image reconstruction in ERT is an ill-posed inverse problem. Regularization methods have been developed to solve the ill-posed inverse problem. Since the penalty term is a form of L2-norm, Tikhonov regularization method guarantees the stability of the solution, but it always makes the image edge oversmoothed. Total variation (TV) regularization method has good ability of preserving image edges. A hybrid regularization method, which combines Tikhonov with TV regularization method, is proposed to get better reconstructed images. The choice of the adaptive weighted parameter between TV and Tikhonov penalty term has been discussed in detail. In the proposed hybrid regularization method, the function of conductivity gradients is used as the adaptive weighted parameter to control automatically the weighting between the penalty terms from TV and Tikhonov regularization. For the model with sharp edges, the proportion of the penalty term from TV regularization is increased to preserve the edges, while for the model with smooth edges, the proportion of penalty term from Tikhonov regularization is increased to make the solution stable and robust to noise. Both simulation and experimental results of Tikhonov, TV and hybrid regularization method are shown respectively, which indicates that the hybrid regularization method can improve the reconstruction quality with sharp edges and is more robust to noise, and it is applicable for models with different edge characteristic.     

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。     

The influence of the regularization parameter and the first estimate on the performance of Tikhonov regularized non-linear image restoration algorithms

This paper reports studies on the influence of the regularization parameter and the first estimate on the performance of iterative image restoration algorithms. We discuss regularization parameter estimation methods that have been developed for the linear Tikhonov–Miller filter to restore images distorted by additive Gaussian noise. We have performed experiments on synthetic data to show that these methods can be used to determine the regularization parameter of non-linear iterative image restoration algorithms, which we use to restore images contaminated by Poisson noise. We conclude that the generalized cross-validation method is an efficient method to determine a value of the regularization parameter close to the optimal value. We have also derived a method to estimate the regularization parameter of a Tikhonov regularized version of the Richardson–Lucy algorithm.   These iterative image restoration algorithms need a first estimate to start their iteration. An obvious and frequently used choice for the first estimate is the acquired image. However, the restoration algorithm could be sensitive to the noise present in this image, which may hamper the convergence of the algorithm. We have therefore compared various choices of first estimates and tested the convergence of various iterative restoration algorithms. We found that most algorithms converged for most choices, but that smoothed first estimates resulted in a faster convergence.