基于跨尺度低秩约束的图像盲解卷积算法EI北大核心CSCD

在模糊核未知的情况下对模糊图像进行复原称为盲解卷积问题,这是一个欠定逆问题,现有的大部分盲解卷积算法利用图像的各种先验知识约束问题的解空间.由于清晰图像的跨尺度自相似性强于模糊图像的跨尺度自相似性,且降采样模糊图像与清晰图像具有更强的相似性,本文提出了一种基于跨尺度低秩约束的单幅图像盲解卷积算法,利用图像跨尺度自相似性,在降采样图像中搜索相似图像块构成相似图像块组,从整体上对相似图像块组进行低秩约束,作为正则项加入到图像盲解卷积的目标函数中,迫使重建图像的边缘接近清晰图像的边缘.本文算法没有对噪声进行特殊处理,由于低秩约束更好地表示了数据的全局结构特性,因此避免了盲解卷积过程受噪声的干扰.在模糊图像和模糊有噪图像上的实验验证了本文的算法能够解决大尺寸模糊核的盲复原并对噪声具有良好的鲁棒性.     

基于轻量化渐进式残差网络的图像快速去模糊

基于深度学习的去模糊方法已经取得了较大进展,但是随着网络层数加深,去模糊网络需要更多的计算资源和内存消耗,难以用于实际场景。针对目前的去模糊网络参数量大、运算时间长等问题,该文设计了一种轻量快速的渐进式残差去模糊网络。该网络使用浅层残差网络作为基准模型,可充分利用图像的局部特征信息,加强反向传播时的信息流通。同时,通过多阶段递归调用残差网络并进行参数共享,可大大简化网络模型,减少网络参数。为了进一步提高去模糊网络的特征重建能力,该文引入特征重标定模块进行特征融合,对输入图像与各个残差网络的输出特征图进行通道加权,并对特征图的空间信息进行自适应选择,实现更好的特征重建。实验结果表明,所提算法网络模型参数量小、运行速度快,大幅度领先于现有算法,且对各种空域可变模糊去除均可实现理想复原效果。     

基于相机运动子空间的人脸图像非均匀去模糊

由于在相机拍摄的人脸中往往会存在较大的模糊,为了有效去除人脸图像的抖动模糊,提出一种基于非均匀去模糊与人脸特殊属性相结合的人脸图像去模糊方法。首先研究非均匀去模糊的原理,并提出通过约束相机运动子空间的方法来估计出相机与人脸之间的相对运动路径。再根据人脸的特殊属性,通过对清晰人脸训练得到一组清晰的人脸字典,建立人脸的先验知识。最后利用得到的非均匀模糊核和人脸字典对模糊人脸图像进行去卷积。实验结果表明,提出的方法相对于现有的去模糊算法可以得到更清晰的人脸图像,对后续的人脸识别有很大的辅助作用。     

基于双L_0稀疏先验的图像运动去模糊

目前图像的运动去模糊方法在处理较复杂的运动模糊时难以得到理想的效果,其原因之一是这些方法普遍只考虑图像梯度的稀疏性,忽略了模糊核的稀疏性。针对这一不足提出一种新的双L_0正则约束的运动模糊去除方法,该方法同时对自然图像梯度和模糊核使用L_0正则约束,结合半正定二次分裂最小化的方法进行求解优化,实现自然模糊图像梯度和模糊核均稀疏下的模糊核估计,并进一步使用L_(0.5)超拉普拉斯正则约束项恢复最终图像。实验发现,该方法可以较好地去除单幅图像较复杂的运动模糊,更好地克服了估计的模糊核中存在的噪点和错误,得到较现有方法更加理想去模糊效果。     

基于模糊推理的边缘检测算法

提出了基于模糊理论进行边缘检测的一种新方法.该方法首先通过计算边缘梯度和标准偏差,把得到的两组集合作为模糊系统的输入,接着根据高斯函数、模糊推理系统判断每一个像素所适用的推理规则,最后对推理结果进行去模糊化,并判断该像素是否为边界像素.本文采用经典的Sobel、Prewit和LoG算法作为比较,实验结果也证明了本文所提出方法的有效性.     

基于光纹特征的激光主动照明图像去模糊

受光学系统离焦、大气扰动、平台振动的影响,激光主动照明系统捕获的图像容易被模糊,而传统的去模糊方法难以取得良好的复原效果,故本文提出基于光纹特征的盲解卷积复原方法来实现图像去模糊。首先将模糊图像降采样,建立尺度金字塔,在尺度空间查找光纹特征图像块。随后基于激光主动照明图像饱和像素较多的特点,提出新的图像退化模型。最后针对模糊核估计、光纹参数更新、清晰图像复原3个步骤,提出适用的能量函数,迭代复原出无噪清晰图像。搭建了主动照明系统,在捕获的激光主动照明图像上进行了实验,并与现有方法进行了对比。结果表明:本文方法不仅能够复原出清晰图像,而且能有效抑制振铃效应,其客观评价指标峰值信噪比(PSNR)优于已有的其他算法。     

改进的模糊C-均值聚类医学图像分割算法

针对模糊C-均值聚类算法分割图像时容易产生模糊边缘的缺点,提出了一种结合图像梯度和模糊C-均值聚类的图像分割方法.该方法利用图像梯度反映出来的目标边界,对由模糊C-均值聚类所获得的聚类区域进行分割,把因模糊性而划分到目标区域的像素点与目标区域进行分离,同时利用区域增长方法找出干扰区域并删除.将该算法应用到胰腺ERCP图像分割,实验表明,改进算法能够比较准确地分割出图像中的目标,减少因模糊聚类产生的模糊边缘.     

基于区域选择网络的图像复原及其在计算成像中的应用

本文针对波前编码成像,单透镜计算成像等领域的全局一致模糊复原背景需求,提出了一种高效的基于区域选择网络的图像去模糊方法。与传统方法通过构建目标函数及各类先验信息实现模糊图像清晰化过程不同,本文方法则基于深度学习与传统方法的结合。传统方法负责图像复原的主体流程,深度学习方法则负责对传统方法中的关键步骤模糊核求取区域选择进行干预。基于深度学习的深度二元分类网络能够自动在全局图像中剔除平坦过曝、短小纹理等区域,并选取最优的用于模糊核求取的图块区域。传统复原方法则以此为基础实现模糊核求取,非盲图像复原及图像清晰化处理过程。实验结果表明:本文的复原方法能够实现良好的复原效果,纹理清晰,稳定可靠;所提出的区域选择网络能够在降低计算复杂度的同时,有效提升模糊核的估计准确度,进而提升图像清晰化的复原效果。在同等条件下,所提出的深度二元分类网络在误差率限定在1.5时,复原成功率较比现有方法提升了2.1%,同时复原图像的平均峰值信噪比较比现有方法提高了0.5 dB。     

基于边缘信息图像条件的盲去模糊算法

本文主要研究了基于边缘信息图像条件的盲去模糊算法,基于梯度稀疏性与局部自回归模型研究图像非盲去模糊算法的具体计算应用。     

基于边缘信息的运动模糊图像的鲁棒盲复原

为获得适用于不同模糊图像且简捷的图像盲复原方法,提出了一种稳健的从单幅模糊图像中求取模糊核并对图像去模糊的图像盲复原方法。根据模糊图像与非模糊图之间的边缘关系求模糊核,并在多尺度框架下针对各个子算法设定自适应参数,从而构建一个稳健的图像盲复原方法。对复原结果用4种无参考的图像质量评价方法的评价结果显示,本文方法在噪声和...