基于PSO自适应正则化参数图像恢复的研究

图像恢复的根本目的是使降质图像趋向于复原或没有噪声影响的理想图像,当前的主要问题是如何在平滑噪声的同时保持图像的边缘和细节.文中提出了基于粒子群优化算法的自适应正则化参数图像恢复算法,与传统方法相比较,实验结果表明,文中方法在恢复效果上要优于传统的正则化方法、Lucy-Richardson 算法和维纳(Wiener)滤波器恢复,明显地克服模糊退化,同时也保护了图像的边缘等细节信息,图像纹路更加清晰,图像质量评价的ISNR好于传统方法.     

小波域噪声分布估计的自适应正则化图像恢复

提出一种正则化图像恢复中自适应选择局部正则化参数的方法．首先提出局部正则化参数的大小应正比于降质图像局部噪声方差;然后在小波域内给出一种估计降质图像局部噪声方差的算法;最后根据小波域噪声方差估计值的分布自适应地确定局部正则化参数．实验结果表明,对于存在多种类型噪声的降质图像,文中方法对噪声方差的估计在分布上与真实噪声一致,而在恢复效果上则要优于Katsaggelos所提出的方法．     

稀疏梯度先验模型的正则化图像复原

传统Lucy-Richardson(LR)算法是一种基于贝叶斯分析的图像复原迭代算法,对高信噪比的退化图像能获得很好的复原结果,但对噪声过于敏感,对低信噪比的退化图像在迭代过程中易造成噪声的放大,虽然有一些正则化方法应用到LR算法中来抑制噪声,但往往容易产生过度平滑的问题。针对这些问题将图像稀疏先验模型作为正则项引入到LR算法中,抑制噪声在迭代过程中的放大。与常规的图像梯度约束算法不同,本文算法中根据模糊图像梯度分布特点的不同提出了可变参数的图像稀疏梯度正则化约束方法,使复原图像的梯度分布参数在迭代过程中更趋近于真实梯度分布,同时通过调整正则项系数可以避免复原图像的过度平滑。实验结果表明,同标准LR算法和常规梯度约束算法相比,本文算法能够实现在抑制噪声放大的同时较好地保留图像的细节。     

一种不需噪声能量信息的准最佳正则图像复原

提出一种基于正则化方法的高效图像复原技术。围绕最小化正则解模糊误差，设计该技术。利用泰勒级数定性地分析怎样的正则化算于使正则解模糊误差能量较小，得出结论：通常情况下应选取低阻高通的正则化算子；利用随机理论解决正则解模糊误差能量期望值最小化问题，确定正则化参数；利用小波变换估计噪声能量，在没有噪声能量信息的情况下，新方法能进行高效的图像恢复。实验结果表明本文的恢复技术比传统方法的恢复性能好，恢复效果接近最佳且性能稳定，且不需要噪声能量信息。     

基于正则化的多光谱图像二值化处理

为了进一步提升传统多光谱图像二值化处理方法的处理速度和抗噪性能,提出基于正则化的多光谱图像二值化处理方法。将正则化约束引入到多光谱图像去噪模型中,对现有的多光谱去噪模型进行改进。并利用正则化框架中的数据正则项对图像的噪声机制以及图像的先验信息进行建模,以实现多光谱图像去噪处理。根据去噪结果采用约束能量最小化方法获取多光谱图像的边缘信息,将最佳全局阈值法和局部阈值自适应方法在边缘信息的基础上相结合,实现对多光谱图像的二值化处理。仿真结果表明,所设计方法具有较强的抗噪能力和较快的处理速度,并且经处理后的图像分辨率较高,充分验证了上述方法的有效性。     

基于卷积神经网络的正则化方法

正则化方法是逆问题求解中经常使用的方法.准确的正则化模型在逆问题求解中具有重要作用.对于不同类型的图像和图像的不同区域,正则化方法的能量约束形式应当不同,但传统的L1,L2正则化方法均基于单一先验假设,对所有图像使用同一能量约束形式.针对传统正则化模型中单一先验假设的缺陷,提出了基于卷积神经网络的正则化方法,并将其应用于图像复原问题.该方法的创新之处在于将图像复原看作一个分类问题,利用卷积神经网络对图像子块的特征进行提取和分类,然后针对不同特征区域采用不同的先验形式进行正则化约束,使正则化方法不再局限于单一的先验假设.实验表明基于卷积神经网络的正则化方法的图像复原结果优于传统的单一先验假设模型.     

去噪正则化与FFDNet结合的相位恢复算法

相位恢复是图像逆问题的一种,通过图像信号的幅值,恢复出采样过程中缺失的相位信息。目前相位恢复算法使用稀疏先验以及传统去噪器先验,存在特征表征不充分的问题。prDeep算法使用DnCNN卷积神经网络作为去噪器先验,结合去噪正则化模型提升了恢复效果,但是仍存在对复杂噪声鲁棒性较差的问题。针对prDeep算法对复杂噪声鲁棒不足的问题,提出了用FFDNet作为去噪器先验与去噪正则化模型相结合的算法。该算法利用FFDNet网络对噪声的自适应性,使用去噪正则化(RED)构建优化模型,解决了复杂正则化模型求导繁琐的问题。在保证卷积神经网络对特征表征能力的同时,提高了对复杂噪声的鲁棒性以及算法的迭代效率。仿真实验结果表明,该算法在不同噪声等级下,恢复图像信噪比和迭代效率均有所提升。     

一种基于正则化方法的准最佳图像复原技术

提出一种基于正则化方法的高效图像复原技术.正则化残量的能量越小,则恢复效果越好,基于此,利用小波变换定性地分析如何选取正则化算子,利用随机理论得到正则化残量的能量期望值,通过最小化这个期望模型确定正则化参数,从而得到正则化图像.定性分析表明,在通常情况下应选取低阻高通的正则化算子.实验结果表明,该恢复技术比传统方法的恢复性能要好,恢复效果接近最佳且性能稳定.     

基于压缩感知的自适应正则化磁共振图像重构

当前基于压缩传感理论的正则化磁共振(CS-MR)图像重构算法普遍采用全局正则化参数,不能很好地在保持边缘和平滑噪声方面做出平衡。为此,提出一种自适应的正则化CS-MRI重构算法。结合图像稀疏性和其局部光滑性的先验知识,采用非线性共轭梯度下降算法求取最优化问题,并在迭代过程中自适应地改变局部正则化参数。新的正则化参数可以更好地恢复图像边缘,并且有利于平滑噪声,使代价函数在定义域内具有凸性;同时先验信息包含于正则化参数中,以提高图像的高频成分。实验结果表明该算法能有效权衡恢复图像边缘和平滑噪声两者的关系。     

基于正则化方法的图像盲去模糊

针对标准化稀疏先验的正则化方法估计复杂模糊核时的不准确性, 引入图像的预处理, 提出了一种图像盲去模糊的新方法。该方法将图像盲去模糊分为三个步骤：利用双边滤波器和冲击滤波器对图像进行预处理, 使得图像的噪声降低、边缘突出, 有利于模糊核的估计; 对预处理后的图像, 利用基于标准化稀疏先验的正则化方法估计模糊核; 根据估计出的模糊核利用TV正则化方法对图像进行非盲去卷积。采用快速迭代收缩阈值算法和快速总变分图像复原算法分别求解模糊核估计模型和图像非盲去卷积模型。实验结果表明, 针对单幅模糊图像, 该方法可以估计出准确的模糊核, 对噪声具有鲁棒性, 并且提高了图像复原速度, 具有较好的图像恢复效果。     

一种图象恢复效果接近最优的正则化方法

提出一种新的技术，它自适应地选取正则化参数以取得较理想的恢复效果．利用小波变换，分析正则化算子和正则化参数对图象残差的各子频段能量的影响．在本文条件下，我们论证正则化算子取拉普拉斯算子比取恒等算子恢复性能好,并且预测噪声能量．实验结果表明本文提出的方法不需要知道噪声能量，也能够自适应地确定正则化参数并且恢复性能比传统的方法好，恢复效果非常接近最优恢复．     

混合特性正则化约束的运动模糊盲复原

目的 为了提高运动模糊图像盲复原清晰度,提出一种混合特性正则化约束的运动模糊盲复原算法。方法 首先利用基于局部加权全变差的结构提取算法提取显著边缘,降低了噪声对边缘提取的影响。然后改进模糊核模型的平滑与保真正则项,在保证精确估计的同时,增强了模糊核的抗噪性能。最后改进梯度拟合策略,并加入保边正则项,使图像梯度更加符合重尾分布特性,且保证了边缘细节。结果 本文通过两组实验验证改进模型与所提算法的优越性。实验1以模拟运动模糊图像作为实验对象,通过对比分析5种组合步骤算法的复原效果,验证了本文改进模糊核模型与改进复原图像模型的鲁棒性较强。实验结果表明,本文改进模型复原图像的边缘细节更加清晰自然,评价指标明显提升。实验2以小型无人机真实运动模糊图像为实验对象,通过与传统算法进行对比,对比分析了所提算法的鲁棒性与实用性。实验结果表明,本文算法复原图像的标准差提升约11.4%,平均梯度提升约30.1%,信息熵提升约2.2%,且具有较好的主观视觉效果。结论 针对运动模糊图像盲复原,通过理论分析和实验验证,说明了本文改进模型的优越性,所提算法的复原效果较好。     

一种改进的最小二乘正则化的图像复原方法

在常用的最小二乘正则化方法的基础上,提出了一种改进的图像复原方法。在运算中,首先用四阶偏微分方程方法对模糊图像进行噪声处理,得到一幅中间图像,然后对这个中间图像采用最小二乘正则化方法进行处理,便得到了最终的复原图像。实验表明,该方法不仅能克服问题的病态性,而且复原后的图像比最小二乘正则化方法复原后的图像整体视觉效果和峰值信噪比都有明显的提高。     

基于最小二乘增量迭代正则化方法的图像复原

针对模糊图像的复原问题,从最小二乘算法出发,采用增量迭代的方法改善算法的收敛性,同时结合正则化技术克服问题的病态性质,研究了一种有效的图像复原方法。在运算中,采用最速下降法求解方程,并运用快速傅立叶变换(FFT)原理来减少计算复杂度,同时引入自适应的正则化参数,使其与图像复原的迭代运算同步进行并自动修正到最优值。计算机仿真结果表明,该方法可较好地再现原图像的重要信息,复原图像在峰值信噪比和主观视觉效果方面都有明显的提高。     

基于分形维数的正则化图像复原方法

正则化方法是指在空间域上以符合图像特征的先验信息作为约束条件,寻找与模糊图像最近似的清晰图像以作为解的一种图像复原算法。本文研究正则项的泛函形式,基于单一全局泛函的不足,将图像空间看作微分流形,以图像分形维数为特征进行分类,进而对不同区域采取不同的泛函约束,得到正则化模型。仿真实验表明,该方法比单一范数形式复原效果更佳。     

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。     

基于惩罚最大似然优化模型的各向异性约束磁共振成像方法

传统磁共振(MR)傅里叶成像方法由于傅里叶不确定性,k空间扩展编码采样长度能提高图像空间分辨率,但是以降低图像信噪比为代价.提出基于最大似然优化模型的各向异性约束MR成像新方法,将离散傅里叶变换模型改进为惩罚约束函数的最优值搜索问题.利用医学结构的先验信息,将正则化惩罚运算细化至平滑区域、边界邻域、边界和边界的方向.实验结果表明,该方法不但能扩展k空间高频数据采样长度同时有效降低高斯噪声,而且能克服现有相关约束成像方法的二次模糊和Gibbs环状伪影.     

混合非凸非光滑正则化约束的模糊图像盲复原

为能够复原出高质量的清晰图像,提出一种混合正则化约束的模糊图像盲复原方法。首先,根据模糊核的稀疏性,采用L₀范数的正则项对模糊核进行稀疏约束,以提高模糊核估计的准确性;然后,根据图像梯度的稀疏性,采用混合一阶和二阶图像梯度的L₀范数对图像梯度进行正则化约束,以保留图像边缘信息;最后,由于所提出的混合正则化约束模型本质上是非凸非光滑优化问题,通过交替方向乘子法对模型进行求解,并在非盲反卷积阶段采用L₁范数数据拟合项和全变分的方法复原清晰图像。实验结果表明,所提方法能够复原出更加清晰的细节和边缘信息,复原结果的质量更高。