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.     

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。     

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.     

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。     

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。     

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.     

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.     

An adaptive Tikhonov regularization parameter choice method for electrical resistance tomography

Electrical resistance tomography (ERT) reconstructs the conductivity distribution from the boundary changes of electrical measurements. The inverse problem of ERT is seriously ill-posed where regularization methods are needed to treat this ill-posedness. A proper choice of regularization parameter which controls the degree of smoothing is very important for these regularization methods. Although have been a variety of methods, such as L-curve method, to choose a reasonable parameter for the problem, these methods usually result in a scalar parameter which cannot distinctly express the spatial characteristic of the conductivity distribution. So a spatially adaptive regularization parameter choice method is proposed for regularizing the inverse problem of ERT based on Tikhonov regularization. Since large regularization parameters can stabilize and smoothen the solution, while small regularization parameters can approximate and sharpen the solution, the proposed method adaptively updates the regularization parameters during the iteration process and provides spatially varying parameter for each pixel of the reconstructed image. When the iteration is stopped, large regularization parameters for the smooth background region and small regularization parameters for the object region can be obtained. The method is discussed using simulated data for some typical conductivity distributions, and further applied to the analysis of real measurement data acquiring from the practical system. The results demonstrate that flexible regularization parameter vectors can be achieved for different distributions and the strength of regularization is adaptively provided for different regions in a specific distribution. The adaptive method achieves an efficient and reliable regularization solution and has outstanding performance in noise immunity especially in smooth background regions.     

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。