基于形态学边缘保持的自适应超分辨率重建

针对正则化MAP（MaximumaPosterioriProbability）超分辨率算法重建结果细节不够清晰,正则化参数选取的鲁棒性较差,运算速度慢等问题,提出基于形态学边缘保持的自适应超分辨率算法。首先基于形态学定义边缘保持算子,该算子能随着迭代过程自适应调整;其次,将该算子作用于超分辨率重建的正则项,从而在图像的边缘区域加强约束重建,而在图像的平滑区域加强正则化。实验结果表明,改进算法的细节更加清晰,正则化参数的鲁棒性更好,运算速度更快。     

基于算法展开的图像盲去模糊深度学习网络

针对图像盲去模糊问题,基于变分模型的迭代优化展开形式设计了相应的变分深度学习网络,有效克服了传统变分方法计算效率低和深度学习方法可解释性差的问题。设计网络包含2部分：利用算法展开策略实现基于L₀正则化估计模糊核的子网络;基于估计的模糊核及图像恢复正则化模型的非盲去卷积子网络,该子网络充分利用了双通道的编解码网络结构。为确保模糊核估计的准确性和图像内容的一致性,损失函数由均方误差损失和结构相似性损失构成。L₀正则化的使用有助于快速准确地完成模糊核估计;图像恢复正则化模型的使用有助于边缘和图像细节的保持。在Levin数据集上的试验结果表明,所提算法在峰值信噪比上较目前先进算法至少提高了2.14 dB。     

结合多特征的单幅图像超分辨率重建算法

为提高直接捕获的图像质量,针对梯度特征只能提取水平、垂直方向信息及非下采样轮廓波变换(NSCT)提取细节信息不足的缺陷,提出一种结合Gabor变换及NSCT的超分辨率重建算法.该算法充分利用Gabor变换和NSCT的互补性,针对输入图像块的特点,采用Gabor变换来提取纹理特征,NSCT来提取轮廓特征,然后分别利用稀疏模型进行重建,最后合并成一幅高分辨率图像.由于输入图像或多或少存在模糊,在重建过程中,加入了去模糊的正则项,以消除输入模糊的影响.实验结果表明,结合两种特征的超分辨率效果与单一特征相比,能够恢复更多的细节信息,去模糊正则项也有一定的作用.本文方法与Kim提出的核岭回归及Yang提出的稀疏表示算法(SCSR)相比,主观上视觉效果更加清晰,客观上PSNR值平均提高了近2d B,说明了该算法能够有效地提高图像的质量.     

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。     

将分数阶微分演算引入数字图像处理

为了系统论述图像分数阶微分对纹理细节的增强能力及其侧抑制原理,提出数字图像分数阶微分掩模及其运算规则。论述了分数阶微分的动力学物理意义并推导了分数阶微积分与经典时-频分析之间的关系,分析了在一定条件下二维分数阶微分的可分离性;其次,从信号处理和生物视觉神经模型两个角度提出图像分数阶微分的高斯差感受野模型,并分析其产生的特殊马赫现象;最后,提出并论述了数字图像分数阶微分掩模及其运算规则。计算机数值实验结果表明,对于纹理细节信息丰富的图像信号而言,分数阶微分对灰度变化不大的平滑区域中的纹理细节信息的增强效果明显优于整数阶微分运算。     

基于广义全变分低秩矩阵恢复的对抗样本防御（英文）

一阶全变分(TV)正则化的低秩矩阵分解在恢复图像结构上表现出优异性能。利用全变分在图像去噪方面的优异性能,提高深度神经网络鲁棒性。然而,尽管一阶全变分正则化可以提高模型鲁棒性,但其过度平滑降低了干净样本的准确率。本文提出一种新的低秩矩阵恢复模型,称为LRTGV,该模型将广义全变分(TGV)正则化引入到重加权低秩矩阵恢复模型。在所构建的模型中,TGV可以在不过度平滑的情况下更好地重建图像纹理信息。重加权核范数和L₁范数可以增强全局结构信息。因此,本文所提出的LRTGV模型在破坏对抗噪声结构的同时能增强图像全局结构和局部纹理信息。为解决具有挑战性的最优模型问题,本文提出一种基于交替方向乘子法的算法。实验结果表明,该算法对黑盒攻击具有一定防御能力,并且在图像恢复方面优于现有低秩矩阵恢复方法。     

基于稀疏变换学习的改进灵敏度编码重建算法

灵敏度编码(SENSE)是一种利用多个接收线圈的灵敏度信息来减少扫描时间的技术。 基于 SENSE 算法的磁共振成像重建算法的重建图像存在模糊伪影和细节缺失等问题,不利于临床医学诊断。 为减少磁共振重建图像伪影并提高重建图像质量,将数据驱动的自适应稀疏变换学习(TL)引入 SENSE 算法中,得到一种 TL-SENSE 算法。该算法利用交替方向乘子法进行求解,通过变换更新、硬阈值去噪和图像更新实现并行磁共振成像重建。 仿真实验结果表明,所提算法对图像去噪和修复效果较好,能完整保留纹理细节和边缘轮廓信息,目标图像与原始图像的一致性较高。 对所选 48 组数据, TL-SENSE 算法重建图像的平均信噪比相比 SENSE 算法、 L1-SENSE 算法、TV-SENSE算法和 LpTV-SENSE 算法,分别提高了 4.62 dB、1.91 dB、1.30 dB 和 0.89 dB。     

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.     

非局域自相似约束的Shearlet稀疏正则化图像恢复

提出一种结合非局部自相似和Shearlet稀疏性正则化的图像恢复变分模型。模型采用观测图像与待恢复图像的能量误差为保真项,联合Shearlet稀疏性和非局域自相似性为混合正则化项。正则化项同时兼顾图像的变换特性和自身结构全局特性。基于变量分裂增广拉格朗日法提出了求解该变分模型的数值算法。以图像去模糊和图像修复为例,对算法性能进行了测试。实验结果表明,该模型和所提算法能够较好地恢复图像,与其他算法相比,可获得更高的峰值信噪比(PSNR)和结构自相似指标(SSIM),具有更好的视觉效果。     

图像去模糊的自适应交替方向乘子重叠组稀疏方法

图像去模糊技术是图像处理领域的一个重要组成部分.由于重叠组稀疏全变差(OGSTV)正则化不仅具有保留边缘的特性,而且能够抑制阶梯效应的产生,正逐渐地应用到图像去模糊问题中.利用交替方向乘子(ADMM)方法来求解重叠组稀疏全变差模型时,其惩罚因子对去模糊问题的影响较大,且不易调节,故笔者在优化模型时根据复原出的图片自适应地调整惩罚因子.该方法在保证计算速度的同时,自适应地复原出最佳图片,并保证了算法的鲁棒性.实验结果表明,本文方法在PSNR、SNR、相对误差等评价方法上均优于其他复原模型.     

基于数值保真项优化的TDI遥感图像复原方法

提出基于数值保真项优化的时间延迟积分电荷耦合元件（TDI-CCD）振动模糊遥感图像复原方法.针对时间延迟积分（TDI）退化图像点扩散函数（PSF）的空间变化性,根据成像平台颤振信息逐行构建模糊核.通过结合L1正则化和数值保真项优化,提出新的遥感图像去模糊方法,实现对TDI颤振图像的逐行复原.在基于最大后验概率（MAP）构建图像去模糊模型的过程中,将数值保真项扩展到二阶,以更好地保留图像细节.与传统的Richardson-Lucy（RL）算法、全变分方法相比,提出的算法去模糊效果明显.分析在不同积分级数和颤振频率下采用该算法复原后的图像的ssim,该算法体现出很好的普适性.     

基于多正则化约束的图像去运动模糊

针对图像去运动模糊问题的病态性,已有的方法通常引入对图像的正则化约束从而缩小解空间范围使其良态化,但单一的正则化约束并不能很好地估计点扩散函数和复原原始图像。基于此,本文提出一种基于多正则化约束的图像去运动模糊方法。首先,根据图像梯度符合重尾分布的特性,采用归一化的超拉普拉斯先验项作为对图像先验约束的正则项。其次,分析描述图像运动模糊的点扩散函数的内在特性包括稀疏性和连续光滑性;同时,采用点扩散函数自身的L₁范数保证其稀疏性并作为其中一项点扩散函数先验约束的正则项,采用Tikhonov正则化约束保证其连续平滑性并作为另一项点扩散函数先验约束的正则项,避免估计的点扩散函数中存在孤立的点。由于所建立的正则项虽然不可微但其是非严格凸函数,故引入辅助变量采用分裂法和交替求解法对所建能量方程进行求解,并利用小波软阈值公式求解辅助变量。本文方法对合成的运动模糊图像和实际相机抖动造成的自然模糊图像均进行实验,实验结果验证了该模型和求解算法的有效性和快速性。实验结果表明,本文方法提高了点扩散函数估计准确度,同时提高了复原图像质量,具有较好的复原效果。     

基于先验优化的一致性模糊盲复原算法

为了提高一致性模糊图像盲复原清晰度,针对复原过程中涉及的全变差模型先验约束问题,提出一种基于先验优化的一致性模糊盲复原算法.利用基于半高斯梯度算子的局部加权全变差模型提取模糊图像显著边缘,在去除噪声和纹理干扰的同时,可提高有利信息的保持能力;提出多尺度混合特性先验估计模糊核,增强了模糊核估计的准确性;利用非盲去卷积得到了清晰的复原图像.实验结果表明,相较其他算法,针对模拟模糊图像,所提算法的复原图像峰值信噪比平均提升约1.7%,结构相似性指数平均提升约19.1%;针对真实模糊图像,复原图像伪影更少,边缘纹理细节更加清晰自然,整体视觉效果更好.     

L1范数约束的非局部均值正则图像去模糊模型

为了保护图像边缘、细节等信息,建立了l₁范数约束的非局部均值正则模型.首先通过实验证明了非局部均值去噪算法余项的概率密度函数具有较强的拖尾性质,符合Laplace分布的特点.基于此,使用l₁范数约束的非局部均值去噪算法余项作为新的正则项,提出了新的正则模型.然后利用Bregman算子分裂算法求解得到相应的优化算法,并且可将新算法看成Plug-and-Play Priors算法的推广.实验结果表明,新模型在去除模糊,保护图像边缘、细节等信息方面的性能都优于l₂范数约束的非局部均值正则模型和Plug-and-Play Priors模型.     

基于小波和Contourlet的改进的图像复原算法

不同的数学变换工具能够有效表示图像的不同细节结构,小波变换能够有效表示图像中的奇异点,而con-tourlet变换能够有效表示奇异线,为了更好地利用不同变换工具的优势,文中提出一种基于小波和Contourlet的改进的图像复原算法。算法首先分别应用不同的小波基和不同的Contourlet基,基于正则化方法求解出复原图像;然后,将经过不同的滤波器组得到的复原图像通过加权平均的方式融合,得到一幅效果较好的恢复图像。实验结果表明,加权平均之后的图像相比使用单一滤波器的复原图像,其改善的信噪比提高0.1～0.5dB。     

Super-Resolution Image Reconstruction Based on an Improved Maximum a Posteriori Algorithm

A maximum a posteriori (MAP) algorithm is proposed to improve the accuracy of super resolution (SR) reconstruction in traditional methods.The algorithm applies both joints image registration and SR reconstruction in the framework,but separates them in the process of iteratiion.Firstly,we estimate the shifting parameters through two low resolution (LR) images and use the parameters to reconstruct initial HR images.Then,we update the shifting parameters using HR images.The aforementioned steps are repeated until the ideal HR images are obtained.The metrics such as PSNR and SSIM are used to fully evaluate the quality of the reconstructed image.Experimental results indicate that the proposed method can enhance image resolution efficiently.     

数字图像的0～1阶Riemann-Liouville分数阶微分增强模板

提出了一种数字图像的0～1阶分数阶微分增强模板.从Riemann-Liouville分数阶积分定义出发推导出0～1阶Riemann-Liouville分数阶微分方程及其离散化方程;构造了x轴负方向、x轴正方向、y轴负方向、y轴正方向、左下对角、左上对角、右下对角、右上对角8个相互中心对称方向的分数阶微分模板,并讨论了这...     

Multi-channel fast super-resolution image reconstruction based on matrix observation model

A multi-channel fast super-resolution image reconstruction algorithm based on matrix observation model is proposed in the paper,which consists of three steps to avoid the computational complexity: a single image SR reconstruction step,a registration step and a wavelet-based image fusion. This algorithm decomposes two large matrixes to the tensor product of two little matrixes and uses the natural isomorphism between matrix space and vector space to transform cost function based on matrix-vector products model to matrix form. Furthermore,we prove that the regularization part can be transformed to the matrix formed. The conjugate-gradient method is used to solve this new model. Finally,the wavelet fusion is used to integrate all the registered highresolution images obtained from the single image SR reconstruction step. The proposed algorithm reduces the storage requirement and the calculating complexity,and can be applied to large-dimension low-resolution images.     

稀疏图像重构非凸Lp问题的分裂方法

由于稀疏图像重构Lp(0相似文献   

数字图像的局部分数阶微分增强

为了扩展传统分数阶微分在图像增强处理中微分阶次的范围,改善传统分数阶微分对图像亮度增强不甚理想的问题,提出了一种局部分数阶微分增强图像算法。首先根据局部分数阶微分理论,建立了数字图像的分数阶微分增强分算法。然后构造了新的数字图像分数阶微分增强模板,在该模板中增加亮度控制函数得到边缘、纹理和对比度同时增强的分数阶微分增强算法。实验表明,该方法能扩大分数阶微分在图像增强处理中阶次的范围;不但能很好地增强图像的边缘、纹理和轮廓等信息,又能明显改善图像的对比度和亮度,增强图像的视觉效果优于传统的分数阶微分增强方法的视觉效果。