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。     

图像复原的小波域稀疏模型方法

介绍了一种基于小波域稀疏模型的有效图像复原算法.首先采用Student-t分布模型刻画小波系数的边缘统计特征,该分布具有尖峰重尾的特性,能很好地拟合图像小波系数的分布情况.其次,基于Student-t模型,在最大后验估计框架下复原图像,等价于一个高维非凸目标函数的最小化问题,给出了一种有效的最小化算法,将非凸目标函数最小化问题转化为迭代二次目标函数最小化求解,而二次目标函数最小化可采用共轭梯度迭代法快速求解.实验结果表明:不论根据客观改善信噪比的大小还是主观视觉效果,该算法都能获取很好的复原效果,从而验证了该方法的有效性.     

基于多步迭代方法的快速总变分图像复原

针对目前总变分图像复原算法收敛速度较慢的问题,本文提出了一类基于多步迭代的快速总变分图像复原算法.提出了两种多步总变分图像复原算法:多步迭代收缩阈值算法和多步迭代加权收缩算法,并针对多步算法每次迭代需要额外估计权参数的不足,给出了一种固定权参数的多步总变分复原算法.同传统的单步总变分复原算法相比,提出算法在每次迭代过程中无需额外增加计算量,且需要很少的迭代就能达到收敛.实验结果表明:对复原不同因素引起的退化图像,文中提出算法的收敛性能远高于传统的单步迭代复原算法,从而我们提出的算法是有效的.     

基于小波域双层贝叶斯模型的图像复原

为了克服正交小波变换用于图像复原引起的振铃现象,提出了一种基于小波域双层贝叶斯模型的图像复原算法.采用移不变小波变换,经过简单的转换,使计算复杂度较正交小波变换法并没有显著增加.对于涉及小波系数和超参数的估计问题,通过双层贝叶斯模型方法解决.首先使用局部高斯分布作为第一层模型,主要用于刻画原始图像小波系数的先验分布;第二层模型用于对超参数的估计,假设局部逆方差为服从Gamma分布的随机变量.基于双层贝叶斯模型,采用最大后验概率估计(MAP)同时进行参数估计与图像复原,计算机实验验证了该方法的有效性.     

学习高阶马尔可夫随机场：评分匹配方法

传统的马尔可夫随机场模型有两个内在的缺陷：邻域的低阶性和参数的手动选择。提出一种新的机器学习方法——评分匹配法,从训练图像数据中学习得到一组高阶马尔可夫随机场模型参数。为了验证通过学习得到的马尔可夫随机场模型的能力,将学习得到的参数向量通过贝叶斯规则应用于图像去噪。实验结果表明：不管是根据峰值信噪比的大小还是根据主观视觉,都能取得优秀的去噪效果,从而表明该学习方法的有效性。