基于分裂Bregman方法的全变差图像去模糊

针对全变差图像去模糊问题,提出一种基于分裂Bregman方法的全变差图像去模糊算法,利用分裂Bregman方法来优化其求解问题模型.首先,利用辅助变量及其二次惩罚泛函把全变差去模糊优化问题转化为一个等价的无约束优化问题;其次,基于Bregman迭代将其分解为两个子优化问题采用交替最小化方法进行求解;最后,根据子问题结构特点,采用离散傅立叶变换及收缩技术实现子优化问题的快速计算.实验结果表明,在不同尺寸模糊核条件下本文算法能获得有效、稳定的图像复原结果,相比FTVd、IRN去模糊方法,本文算法复原效果更好,计算更加快速.     

一种基于非线性扩散的图像放大算法

针对传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了Tikhonov模型、全变差模型和高阶偏微分模型在图像处理中的优缺点,提出了一种全变差和高阶偏微分模型自适应结合的图像放大模型及推导算法。该模型对图像非平滑区域采用全变差模型处理,而平滑区域则采用高阶偏微分模型处理,最终新插入的图像点象素值由该点邻域象素自适应地各向异性加权得到,在保持图像边缘锐度的同时有效克服了平滑区域的阶梯效应。4种模型的实验比较验证了本文算法的有效性。     

激光雷达主动偏振图像散斑抑制算法研究

针对激光主动偏振图像的散斑去除问题,提出了一种新的非局部正则化方法:根据激光主动偏振图像的噪声特点,在全变差模型的基础上,提出了非局部全变差正则化模型.该算法充分利用了图像的全局信息复原图像,在很好地抑制散斑的同时,保持了图像的细节信息.新模型使用轮流最小化方法进行求解,则原始图像和点扩散函数都可以在最小化框架中求解,...     

基于耦合非局部全变差的图像着色算法

基于局部算子的全变差(TV)模型在对纹理图像着色时,会出现颜色扩散不均匀,着色范围区域较小等问题。为了解决上述问题,该文提出基于非局部算子的耦合全变差图像着色模型,结合交替方向乘子法(ADMM),设计出相应的数值求解算法,并给出该算法的收敛性结果。该模型充分利用像素邻域亮度之间的相似性进行颜色扩散,能有效避免仅利用亮度边缘信息进行局部扩散导致颜色扩散不均匀的问题。数值实验结果表明,该模型在快速着色的同时,能有效解决颜色在纹理等细节处扩散不均匀的问题。     

基于投影的稀疏表示与非局部正则化图像复原方法

提出一种基于投影的稀疏表示与非局部正则化相结合的图像去模糊、去噪图像复原方法.该方法结合了自适应构造字典的稀疏表示与非局部总变差,提出的正则化模型分解为三个投影子问题进行求解以提高求解效率.实验结果表明,本文所提出的图像复原方法能够有效地保持原图像的纹理细节信息,对于不同程度的退化图像上均有较好的复原结果,在视觉效果和客观评价指标上均优于相比较的现有方法.     

基于非局部稀疏编码的超分辨率图像复原

基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的非局部自相似先验知识,即利用低分辨率图像的插值图像训练字典,并通过计算相似块局部编码的加权平均,得到每一图像块的非局部稀疏编码。仿真实验表明,所提算法能够获得更优的复原效果,并且对于含噪图像具有较强的鲁棒性。     

LLTV:局部线性全变差滤波方法

 本文提出了一种新颖的滤波方法—局部线性全变差滤波方法(LLTV),可以对数字图像进行有效的滤波处理.该方法采用图像的局部线性近似模型,并结合了全变差规则项,在滤除噪声的同时,能够很好的保持图像的边缘信息,而且其简单的、线性时间算法,可以对各种数据进行快速处理.实验结果表明,在计算机视觉的各种应用中,如去噪、平滑、细节增强和高动态范围(HDR)压缩等方面,该方法都表现出高效的性能.     

一种基于视觉特性的部分DCT系数重构算法

基于全变差模型的图像重构算法对于处理图像边界问题有较好的优势,本文结合小波变换域稀疏和图像局部光滑的特性,使用基于全变差的混合模型对图像进行重构,并在重构时引入人眼视觉特性,根据人眼对不同频率的系数具有不同的敏感度,提出了一种不等概率的DCT部分系数重构算法。通过对不同频率的系数进行不等概率的采样,低频系数以较高概率采样,仿真结果表明,与现有的一些重构算法相比,在相同的测量点数下,重构图像质量得到较大提高。     

基于非局部相似性和交替迭代优化算法的图像压缩感知

压缩感知理论突破了信号带宽对奈奎斯特采样定理的限制,并且实现了在数据采样的同时进行压缩。目前压缩感知系统通常利用图像在某个变换域具有稀疏性的先验知识,从少量观测值中重构原始图像。本文利用图像像素的邻域结构信息及图像子块的相似性,将图像的非局部相似性作为先验知识运用到压缩感知图像重构中。结合图像的非局部相似性及其在变换域的稀疏性先验知识,提出了基于非局部相似性和交替迭代优化算法的图像压缩感知重构算法,该算法利用迭代阈值法和非局部全变差来交替迭代求解变换域的稀疏性优化问题和非局部相似性的优化问题。实验结果表明,本文算法可以有效提高图像重构的视觉效果和峰值信噪比。      

基于全变差的加权最小二乘法PET图像重建

传统的加权最小二乘法、惩罚项加权最小二乘法虽然能够重建得到较好质量的图像,但在欠采样的条件下不能很好的拟制噪声.全变差作为正则项已广泛用于图像重建中,利用图像稀疏的先验知识能够在欠采样的条件下很好的重建图像.本文结合加权最小二乘法和全变差的优点,构造了基于全变差正则项的加权最小二乘法目标函数,运用交替求解的方法,将目标函数分解为求解二次优化和全变差正则化的优化问题,并分别用超松弛迭代方法和梯度下降法求解这两个优化问题.采用Zubal模型对该算法与传统算法进行仿真验证比较,并用相关系数、方差、信噪比等参数描述图像重建质量.结果表明在欠采样条件下,该算法能够更好的拟制噪声,重构效果比传统的有明显地提高.     

基于非局部全变分正则化优化的单幅雾天图像恢复新方法

该文针对无雾图像具有高灰度对比度且大气遮罩局部平滑的特性,提出一种基于非局部全变分正则化优化的单幅雾天图像恢复新方法。先构建一种基于非局部全变分正则化的有约束优化算法对大气遮罩进行估计,然后通过优化Bregman分离迭代法求解非局部Rudin-Osher-Fatemi模型获得准确的大气遮罩,进而从雾天场景图像恢复出场景图像。实验结果表明,所提新方法可以有效地对雾天降质图像进行复原,对多纹理复杂区域的恢复效果也较好。     

自适应非局部patch正则化图像恢复

 非局部均值利用图像自相似性,有效保持了图像的几何结构信息.提出了非局部patch正则和TV正则结合的图像恢复模型,利用改进的结构张量矩阵构造自适应非局部权函数,根据像素的局部结构计算图像中patch的相似性,提高了图像结构信息的保持性能.在数值解法上,采用分裂Bregman算法迭代求解模型,得到简单快速的迭代形式.数值实验证明所提出方法在提高恢复图像质量和算法效率上都有显著改进.     

Efficient Total Variation Minimization Methods for Color Image Restoration

In this paper, we consider and study a total variation minimization model for color image restoration. In the proposed model, we use the color total variation minimization scheme to denoise the deblurred color image. An alternating minimization algorithm is employed to solve the proposed total variation minimization problem. We show the convergence of the alternating minimization algorithm and demonstrate that the algorithm is very efficient. Our experimental results show that the quality of restored color images by the proposed method are competitive with the other tested methods.     

一种基于L_1范数的非局部变分图像复原模型

针对L_2范数的非局部变分模型在迭代过程中未考虑图像局部梯度信息,模糊图像细节信息的缺点,提出了一种基于L_1范数的非局部变分模型。首先,对基于L_1范数的非局部变分模型的扩散性能进行了详细的分析。接着,将该模型应用于退化图像的复原中,并推导出该模型的Bregman交替迭代求解过程。最后,通过对比实验,证明本文提出的L_1范数的非局部变分复原模型能更好地重构图像的细节信息,相对于L_2范数的非局部变分模型峰值信噪比提高大于1dB,图像复原性能更优。     

Nonlocal Joint Regularizations Framework with Application to Image Denoising

Low-rank (LR) representation and the nonlocal model (NLM) are important techniques in the field of image restoration, offering significant improvements over many current recovery algorithms. Natural images contain global and local redundancy, and this can be utilized to enhance the restoration performance. Thus, we propose a novel optimization framework that incorporates the benefits of LR and NLM. First, NLM is employed to search for similar patches to reduce the global redundancy. An LR model is then exploited as the prior knowledge needed to constrain the low-rank property of the searched patches. We also use a 3D sparse model to constrain the local sparsity of these patches, thus preserving their underlying structure more effectively. To solve the minimization problem within our novel framework, we describe an iterative scenario that uses an alternating optimization method based on the improved split Bregman technique. Experimental results demonstrate that our proposed method outperforms several state-of-the-art algorithms.     

变分框架下的多尺度图像恢复与重建

变分图像分解,通过极小化能量泛函将图像分解为不同的特征分量,可以被应用到图像的恢复和重建.提出了变分框架下的多尺度图像恢复和重建的思想.基于这种思想,首先提出了一个单参数的（BV,G,E）三元变分分解模型,并且理论分析了参数与不同特征分量的尺度的关系.然后将此模型的参数选为一个二进制序列,得到多尺度的（BV,G,E）变分分解.该多尺度变分分解可以将图像分解为一序列图像结构、纹理和噪声.证明了此多尺度分解的收敛性并且基于对偶理论和交替迭代算法给出了其数值求解方法.最后将提出的多尺度的（BV,G,E）变分分解应用到图像恢复和重建,实验结果证实了理论分析的正确性,显示了将此模型进行图像多尺度恢复和重建的有效性,和与一些其他分解模型相比较的优越性.     

Split Bregmanized anisotropic total variation model for image deblurring

In this paper, an effective image deblurring model is proposed to preserve sharp image edges by suppressing the stair-casing arising in the total variation (TV) based method by using the anisotropic total variation. To solve the difficult L1 norm problems, the split Bregman iteration is employed. Several synthetic degraded images are used for experiments. Comparison results are also made with total variation and nonlocal total variation based method. Experimental results show that the proposed method not only is robust to noise and different blur kernels, but also performs well on blurring images with more detailed textures, and the stair-casing effect is well suppressed.     

EPLL image restoration with a bounded asymmetrical Student’s-t mixture model

The expected patch log-likelihood (EPLL) model is a patch prior-based image restoration method which received extensive attention in image processing in recent years for its outstanding ability to preserve the detail and structure. However, due to using the Gaussian mixture model (GMM) with the noise sensitivity as the local prior, the EPLL model suffers from undesired artifact and poor robustness frequently. In this paper, to restrain the generation of artifact of EPLL model, we replace the GMM with a bounded asymmetrical Student’s-t mixture model (BASMM), which is sufficiently flexible to fit different shapes of image data, such as non-Gaussian, non-symmetric, and bounded support data. Then, the anisotropic nonlocal self-similarity (ANSS) based regularization parameters are designed to improve the robustness of the proposed model. Experimental results demonstrate the competitiveness of our proposed model compared with that of state-of-the-art methods in performance both visually and quantitatively.