复合正则化的图像超分辨率复原方法

图像超分辨率复原是计算机视觉领域的一个基础研究方向.为提高具有高度结构化特征图像超分辨率复原效果,提出了一种基于复合正则化的超分辨率复原方法.该方法整合了多个不同种类范数的正则化项,将具有旋转不变性的方向全变分组稀疏正则化(TI-DTV)方法以及小波分析方法嵌入至目标函数中.全变分组稀疏正则化(TI-DTV)方法是一种可以有效解决高度结构化图像中直线边缘区域超分辨率复原的方法,但TI-DTV中的全变分(TV)和方向全变分(DTV)模型可能会导致图像阶梯化效应(staircase artifacts),而小波分析项则可以提高图像纹理信息的复原效果,可减小阶梯化效应的影响.为了解决不同范数下的混合正则化问题,利用一阶对偶圆锥形解法(TFOCS)的思想,推导出了一阶对偶形式的快速解法.结果表明,在真实图像集的实验中,通过与全变分、小波分析、TI-DTV等超分辨率复原方法的比较,可以明显的看出该方法结果较其他方法更清晰,对直线型结构复原效果有一定的提高,同时保留了更多的细节信息,峰值信噪比(PSNR)和结构相似性(SSIM)也有明显提高.     

高噪声图像的结构性缺失低秩矩阵重建算法

为了提高图像信噪比和结构性缺失低秩矩阵重建精度,本文提出基于重加权的高噪声图像的结构性缺失低秩矩阵重建算法.利用中值滤波、阈值处理以及小波系数法对高频子带图像中的脉冲噪声进行处理.利用小波逆变换获取恢复图像,实现高噪声图像初步处理,构建低秩与稀疏先验下结构性缺失矩阵重建模型.根据低秩先验和稀疏先验对重建矩阵进行约束,并...     

基于Shearlet变换的泊松噪声图像复原问题研究

为了解决泊松噪声图像的复原问题,几种正则化方法已被提出,其中最著名的是全变差（TV）模型,但TV模型会引起阶梯效应。总广义变差（TGV）是全变差的推广,用TGV作为正则项来恢复泊松图像,可以消除阶梯效应,但图像的边缘细节信息不能很好地保持。为了克服这个缺点,基于TGV和Shearlet变换,该文提出了一种新的正则化模型,并用交替方向乘子法（ADMM）求解。数值结果有效地展示了该模型在保持图像边缘细节上的优越性。     

基于FrFT变换和全变分正则化的异常检测算法

针对低秩稀疏表示的高光谱异常检测算法中背景字典易被污染、空间信息利用不足的问题,提出基于分数阶傅里叶变换（FrFT）和全变分正则化约束的高光谱图像异常检测算法. 通过聚类算法,将图像高维数据映射至多个子空间;构造FrFT-RX算子,增大背景和异常的可分性,得到较纯净的背景字典. 为了表示FrFT变换后中间域内背景与异常的空间特征,在低秩稀疏表示模型中引入全变分正则化项约束. 采用交替方向乘子法对模型进行优化求解,得到异常检测的结果. 在3个真实高光谱数据上开展目标检测实验,实验结果表明,与其他5种异常检测算法相比,本文算法具有更高的检测率和较低的虚警率.     

基于分数阶全变差和自适应正则化参数的图像去模糊

为更好地复原图像的纹理细节,避免求解图像去模糊模型时面临正则化参数难以选择的问题,提出了一种基于分数阶全变差（FOTV）模型和自适应更新正则化参数的非盲去模糊图像重建方法。首先,在分析不同分数阶下FOTV的幅频响应特性的基础上,采用不同分数阶次的FOTV模型约束图像的平滑（低频）部分和纹理细节（高频）部分,从而建立图像非盲去模糊重建模型。其次,为了有效地求解重建模型和实现两个正则化参数的自适应更新,采用交替方向乘子法(ADMM)将原本含有两个正则化参数的复杂问题分解成两个相对容易的子问题进行求解,每个子问题只含一个正则化参数。最后,根据偏差准则,在迭代求解过程中实现了两个正则化参数的自适应更新。将所提算法应用于包含平滑、边缘和纹理细节的多幅图像中,测试4种不同模糊核下的去模糊效果;与传统的4种去模糊算法相比,实验结果表明所提算法能自适应地更新两个正则化参数,对于纹理细节适中的图像具有较好的去模糊效果。     

基于边缘增强和快速非局部均值的边缘图像去噪

针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.     

一种稀疏流形低秩表示的子空间聚类方法

针对基于非负低秩稀疏表示的子空间聚类方法不能准确描述数据集结构的问题，提出了一种稀疏流形低秩表示的子空间聚类方法。该方法使用双曲正切函数代替核范数来估计秩函数，并利用加权稀疏正则项使表示系数矩阵稀疏，同时引入稀疏流形正则项来刻画数据集的内在流形结构信息。首先通过带有自适应惩罚的线性交替方向法求解子空间表示模型。然后利用获得的表示系数矩阵构造相似度矩阵，结合使用谱聚类方法得到数据集的聚类结果，最后采用基于局部和全局一致性的半监督分类方法获得数据集的分类结果。在Extended Yale B数据库、CMU PIE数据库、ORL数据库、COIL 20数据库和MNIST数据库上的实验结果表明，本方法可以提高子空间聚类和半监督学习的准确率。     

基于非局部正则化的乘性噪声去除模型及Split-Bregman算法

针对全变分去噪模型会模糊图像边缘和纹理部分的问题,提出一种改进的去除乘性噪声的非局部正则化模型,并利用Split-Bregman算法进行求解。对观测图像取对数变换,将乘性噪声转化为加性噪声,利用全变分思想,以非局部TV范数作为正则项,通过图像区域与区域的灰度相似性来确定权重系数,进而更好地保持图像的纹理结构;在模型中加入紧凑项来保证去噪图像的紧凑性。对模型求解并进行数值仿真实验,结果表明:改进的去除乘性噪声的非局部正则化模型能够去除图像噪声且较好地保持其纹理部分。     

基于迭代对数阈值的加权RPCA非局部图像去噪

针对传统图像去噪算法的不足,提出了基于迭代对数阈值的加权RPCA非局部图像去噪方法,该算法首先根据图像的自相似性,对含有噪声的图像进行相似块匹配,获得低秩的相似块组矩阵,再构建RPCA模型,对模型中的低秩部分进行加权,利用迭代对数阈值的方法来求解目标函数.实验结果表明,无论是对于低噪声图像还是高噪声图像,都能够有效去除噪声,提高图像的峰值信噪比和结构相似指数,且能够很好的保持图像的结构纹理,图像视觉效果有明显改善.     

基于NSCT变换和相似信息鲁棒主成分分析模型的图像融合技术

针对传统的图像处理是以单个像素点为基础进行融合而忽略了信息的相似性以及存在信息丢失的问题,提出了基于非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)和相似信息鲁棒主成分分析(Robust principle component analysis,RPCA)模型的图像融合技术。首先对源图像获取图像块构造初始矩阵,通过对构造矩阵进行NSCT分解获得高频和低频部分,利用提出的具有相似信息低秩矩阵模型将低频成分分解成低秩矩阵和稀疏误差矩阵,再分别对两幅图像的低秩矩阵、稀疏误差矩阵及高频成分采用绝对值最大法融合规则进行融合,最后通过逆变换得到融合图像。MRI和CT的脑部图像的实验分析结果表明,本文算法可以更好地保留源图像中的边缘和纹理信息。     

去除乘性噪声的迭代重加权二阶正则模型

为了去除图像中乘性噪声的影响,在乘性噪声服从伽玛(Gamma)分布的假设下,提出了迭代重加权二阶导数(Hessian矩阵F范数)正则模型,从而推广了迭代重加权全变差正则模型．然后对迭代重加权Hessian矩阵F范数正则模型建立了原始-对偶算法．数值实验表明,文中模型和算法能够在有效去除噪声的同时,较好地保留图像的细节,抑制阶梯效应并避免边缘模糊．     

紧框架小波和总广义全变分联合约束的医学图像复原算法

为了克服传统全变分正则化方法容易造成复原图像中出现阶梯状伪边缘、纹理细节丢失的不足,本文提出了一种紧框架小波和总广义全变分联合约束的图像复原算法.首先,结合紧框架小波能够捕获含噪声或退化图像中的奇异点的优势,同时采用能够逼近任意阶多项式函数进而可以保留图像尖锐边缘的总广义全变分,构造出一种由紧框架小波的L_1范数和二阶总广义全变分的L_2范数组成的联合正则项约束的图像复原模型;其次,采用交替方向迭代方法将所提模型的最小化问题分解为两个子问题,并分别采用均值增广拉格朗日算法和Chambolle-Pock一阶原始—对偶迭代方法获得最优解.实验结果表明,所提算法在抑制噪声的同时能够有效复原图像的边缘、细节信息,两种量化指标峰值信噪比和结构相似度的值也能直观体现复原图像质量的提高水平.     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

基于改进的局部二值拟合主动轮廓模型的指静脉图像分割

对应用于图像分割的局部二值拟合(LBF)模型进行改进,提出一种加权全变分局部二值拟合能量泛函分割模型。改进后的模型在加权全变分分量中加入边缘停止函数,使得模型对边缘信息更加敏感,解决了指静脉图像对比度低、不易分割的问题。同时模型中采用正则化约束项,避免水平集函数的重新初始化,缩短了演化时间。对合成图像和真实指静脉图像的分割实验结果表明,本文模型比LBF模型具有更强的边缘细节分割能力,且不易陷入局部收敛,更加适用于指静脉图像的分割。     

基于低秩稀疏表达的弹性最小二乘回归学习

为了克服重定向最小二乘回归模型容易破坏回归目标的结构的缺点,提出了一种基于低秩稀疏表达的弹性最小二乘回归学习模型LRSR-eLSR。模型以最小二乘回归为基础,不使用严格的0-1标签矩阵作为目标矩阵,而是引入边距约束来直接从数据中学习回归目标,可以在保持回归目标低秩结构的同时,增加回归模型的灵活性。而且,为了捕获数据的结构信息,利用了数据的低秩表示来保持数据的结构。在计算的过程中,考虑问题求解的复杂性,使用了核范数正则化代替秩函数。除此之外,模型还引入了一个带有L_2,1范数的稀疏误差项来补偿回归误差,这有利于学习更灵活地变换。模型还对投影矩阵施加额外的正则化项,来避免过拟合问题。实验结果表明：在4个公开的数据集上,所提模型的识别准确率优于其他方法;在COIL-20数据集中,识别率可达到98%。     

多尺度动静态联合彩色图像滤波处理

为在彩色图像降噪时有效保留图像边缘信息,给出一种动态和静态相结合的引导滤波算法。由静态引导滤波得到权重函数,利用动态引导滤波从正则化输入图像中得到邻域像素加权函数,将两者相乘,生成邻接矩阵;将邻接矩阵每列元素相加,置于对角线位置,构成度矩阵;用度矩阵与邻接矩阵做差,构造动态拉普拉斯特征矩阵,以此作为正则项,在平滑图像的同时保持边缘,实现图像多尺度动静态滤波。针对6幅彩色图像的测试结果表明,所给算法可有效获取不同尺度结构图像,且滤波后图像边缘较为光滑。     

基于加权双层Bregman及图结构正则化的磁共振成像

针对磁共振图像(magnetic resonance imaging,MRI)重建质量的问题,提出一种基于加权双层Bregman字典学习方法和图结构正则化稀疏表示的新算法.该算法中,迭代重加权最小l1和图结构正则化稀疏表示模型是被合并到双层Bregman字典学习方法中.加权双层Breman的字典学习方法在外层迭代中增强K空间抽样数据的约束性,在内层迭代中解决Lp的优化.而图结构正则化稀疏表示方法具备捕获图像结构细节的能力,所以从较高的欠采样数据中能完成精确重建.此外,在内层迭代中,重加权最小l1和图结构正则化稀疏表示使算法能快速地趋于收敛.实验结果表明,所提出的算法可有效恢复MRI图像,其峰值信噪比和高频错误的值都优于基于压缩感知的字典学习方法和基于双层Bregman的自适应字典学习方法.     

一种基于张量的深度视频增强算法研究

针对深度视频出现的许多空洞,提出一种基于张量的深度视频空洞修复算法。首先运用加权移动平均机制对原始深度视频进行处理,得到预处理视频,然后根据背景张量的低秩性和运动目标的稀疏性,利用低秩张量恢复的方法重建张量的低秩部分和稀疏部分,实现背景与运动目标的分离。同时,针对分离出来的运动目标部分,利用相似块匹配构造一个四阶张量,根据视频张量的低秩性和噪声像素的稀疏性,再次利用张量恢复重建四阶张量的低秩部分和稀疏部分,去除噪声并修复视频空洞,采用张量表征深度视频,利用分块处理,解决基于帧处理的传统方法丢失数据信息问题,保持视频数据的空间结构,在相同实验环境下,采用3个视频进行测试。实验结果表明,本方法可以很好地去除噪声,修补孔洞,并且基本可以还原视频的纹理结构,保持边缘,达到视频增强的效果,显著提高了深度视频的质量,鲁棒性强。该研究对实时获取外界信息具有重要意义。     

联合正则化与低秩先验的自适应迭代盲图像复原

为改善运动模糊图像盲复原的效果,解决伪影显著、鲁棒性差、各尺度由于迭代次数固定而产生不利核估计的问题,提出一种联合正则化与低秩先验的自适应迭代盲图像复原算法。首先,利用l₀正则化先验的稀疏性估计中间复原图像和有效去除伪影,同时引入低秩先验抑制潜像恢复过程中的噪声干扰,提高模糊核估计的准确性;然后,针对多尺度迭代次数问题采用自适应策略,通过评估模糊核的相似性调整各尺度下的迭代次数;最后,用基于半二次分裂的交替优化策略求解本算法模型,利用非盲去模糊方法得到最终清晰图像。结果表明,本文算法能有效抑制噪声和伪影,鲁棒性好,并具有良好的复原效果。     

二阶TGV结合小波变换模的图像去噪算法

研究了总变分(total variation,TV)模型在图像去噪中的应用,针对TV正则化模型在图像去噪过程中容易导致阶梯效应的缺陷,提出利用二阶总广义变分(total generalized variation,TGV)正则项代替TV正则项的图像去噪模型,并利用小波变换模极大值在检测图像边缘应用中的优点,在TGV正则化模型中引入以小波变换模为参数值的边缘检测函数,利用边缘检测函数引导扩散。该模型具备良好去噪和保持图像边缘的优点,还能缓解阶梯效应的产生。