基于NAS-RIF算法和神经网络的图像盲复原

在图像盲复原中,NAS-RIF算法在无噪情况下,能够得到较好的复原结果,但是对有观测噪声的图像复原效果不理想。而Hopfield神经网络有利于缓解图像复原过程中的震铃效应,但前提是知道退化图像的点扩展函数。将二者相结合提出一种基于NAS-RIF算法和神经网络的图像盲复原新算法,首先由NAS-RIF算法先估计出退化图像的点扩展函数,再利用Hopfield神经网络算法对其进行复原。实验结果表明,该算法具有较好的盲复原效果。     

一种改进的NAS-RIF图像盲复原算法

文中给出了一种用于图像盲复原的基于非负支撑域受限递归滤波算法(NAS-RIF)的改进算法.即将零相位RIF和小波去噪技术引入到NAS-RIF图像盲复原算法中,且在NAB-RIF图像盲复原算法计算当中,采用了共轭梯度法进行了计算优化;如此算法抑制了噪声的放大,提高了退化图像的信噪比,保护退化图像的边缘特征和提高退化图像的视觉效果以及提高算法的收敛速度.由实验结果可以看出,改进后的算法具有更好的抗噪性能和复原效果.     

一种改进的NAS-RIF图像盲复原算法

文中给出了一种用于图像盲复原的基于非负支撑域受限递归滤波算法(NAS-RIF)的改进算法。即将零相位RIF和小波去噪技术引入到NAS-RIF图像盲复原算法中,且在NAS-RIF图像盲复原算法计算当中,采用了共轭梯度法进行了计算优化;如此算法抑制了噪声的放大,提高了退化图像的信噪比,保护退化图像的边缘特征和提高退化图像的视觉效果以及提高算法的收敛速度。由实验结果可以看出,改进后的算法具有更好的抗噪性能和复原效果。     

基于GAN的图像盲复原算法研究

图像复原是图像处理领域的重要问题。图像复原过程可以看作是退化过程的逆过程,其主要的目的是去除图像中的退化现象,有效地提高图像的质量。图像复原是图像处理任务中一个基础性、前提性的课题,然而模糊是普遍存在的,复原过程有一定的困难,目前已有一些图像复原的方法发展十分迅速,且研究成果突出,如基于滤波的方法,基于正则化的方法和基于微分方程的方法等。目前很多方法对于合成图像的复原效果较好,对于真实图像的复原效果并不理想。本论文的研究重点是充分利用深度学习的特征表示的优点,分析了图像复原的过程通用的网络,这对于图像复原的发展是十分有意义的。     

用于含噪二值图像的改进NAS-RIF图像盲复原算法

D.Kunder等提出的NAS－RIF图像盲复原算法在无噪情况下，能够得到好的结果，但算法对噪声敏感。针对此特点，Michael K.Ng等提出了NAS－RRIF算法，它主要是对逆滤波器进行正则化，以避免噪声过分放大，但 所得结果没有大的改善。二值图像的盲复原也是其应用价值的，本文将二值图像所具有的更多先验信息用于NAS－RIF算法，采用新的非线性函数，并结合后续处理,提出一种用于含噪二值图像的改进算法。实验表明，在噪声情况下，所提出的算法可以得到满意的结果。算法还考虑了背景灰度值非零情况。文章给出了实验结果，另外还考虑并解决了NAS－RIF算法固有的比例问题。     

基于空间自适应正则化和Hopfield网络的图像盲复原方法

本文在研究空间自适应正则化和Hopfield神经网络图像复原算法的基础上,综合两者的优点,提出了一种退化图像的盲复原方案,先对退化图像利用SAR算法进行先验辨识,再利用基于连续函数的全并行自反馈改进Hopfield神经网络算法进行精确的复原。仿真证明,此方案的盲复原结果图像的质量有很大改善。     

基于Besov空间的图像盲复原算法

针对Chan-Wong全变差正则化思想的不足,提出了一种Besov空间的图像盲复原算法.该算法用一个B11,1项代替BV项,采用交替最小化的思想在小波域上求解,将全变差盲复原中求解复杂的偏微分方程转化为简单的小波软阈值问题.实验结果表明:该算法不仅减少了全变差盲复原中出现的阶梯效应,而且运算时间大大减少.     

基于微分方程的退化图像盲复原数学模型构建

经当前方法复原后图像与实际图像之间的吻合度较低,且复原效率低.为此提出基于微分方程的退化图像盲复原数学模型构建方法.通过贝叶斯萎缩方法对阈值选择进行优化,对退化图像做二维离散小波变换,并采用高频系数进行离散Curvelet变换.在此基础上对阈值进行估计,获得最优阈值,实现退化图像的去噪.根据去噪结果在高阶微分方程中引入...     

复合的图像盲复原算法

当点扩展函数未知或不确知的情况下,从观察到的退化图像中恢复原始图像的过程称为图像盲复原。近年来,图像盲复原算法得到了广泛地研究。迭代盲解卷积在抑制噪声放大与保留图像边缘信息有很好的效果,但在不知道点扩展函数并有噪声的情况下并不能有效的去除噪声导致图像恢复效果很差。针对图像盲复原的特点,提出了一种复合算法,该算法有效地解决了迭代盲解卷积的去噪问题,最后通过实验验证了算法的可行性和有效性。     

基于神经网络的盲图像恢复

1 引言图像恢复是图像处理学中的一个重要领域,其主要目的是利用退化图像的某种先验知识来重建或恢复原图像。图像的退化模型可表示为: Y=HX N (1)其中y为退化图像,H为退化模型的点扩展函数,X为原始图像,N为加性高斯白噪声。     

一种新的盲图像恢复方法

1 引言图像恢复是图像处理学的重要领域。图像恢复的基本任务就是改善观察图像(退化图像)的质量,尽可能恢复退化图像的本来面目。退化可能是由于相机与物体间的相对运动、散焦、大气湍流等原因造成的,因此需弄清图像的退化原因,建立相应的数学模型——退化模型,一般称为点扩展函数(PSF),根据已知的扩展函数和原图像的某些先验知识,从退化图像中对原图像做最佳的估计。对于退化模型已知的图像恢复文献报道已有许多种方法,其基本运算就是解卷积或求逆,存在的问题是所求的逆不是唯一的或者说是病态的。然而,在许多实际情况下,图像的退化模型是未知的,而且有关原图像的先验知识很少或根本没有,只能从退化图像恢复原图像,这种仅利用退化图像和部分     

基于SIMO和NAS-RIF的SST图像盲恢复

图像恢复是太空太阳望远镜图像处理的重要组成部分，针对SST的多通道太阳观测的特点，将SIMO模型引入到SST图像恢复中，根据SST图像的特点，给出了基于SIMO和NAS-RIF的多通道盲恢复算法。仿真结果表明，该方法对SST图像恢复具有较好的适应性。     

基于交替迭代和神经网络的盲目图像恢复

提出了种盲目图像恢复模型：退化图像经傅立叶变换后在频率域通过交替迭代的方式分解出原始图像和点扩展函数,当大致估计出退化模型的点扩展函数的类型及其参数后,用基于Ｈｏｐｆｉｅｌｄ神经网络的方法进行精确恢复,以提高恢复质量．实验证明,这种恢复模型可以在未知点扩展函数的情况下取得较好的恢复效果．     

基于混沌神经网络的图像复原算法

文章提出了一种基于混沌神经网络的图像复原新算法。在对退化图像进行复原的过程中,针对Hopfield算法易于陷入局部极小的缺点,在Hopfield神经网络中引入暂态混沌和时变增益,充分利用混沌理论的全局搜索性能进行＂粗＂搜索,当搜索到全局最优解附近时,再利用Hopfield算法进行局部搜索。通过对图像复原后的效果进行比较,证明基于混沌神经网络方法得到的图像复原的信噪比更高,目视效果更加。     

基于Chebyshev神经网络的图像复原算法

退化图像的点扩散函数难以准确确定,为此,提出一种基于Chebyshev正交基函数的前向神经网络图像复原算法。该算法以一组Chebyshev正交基为隐层神经元的激励函数,采用BP算法对权值进行修正,达到收敛目标。给出2类Chebyshev神经网络的实现步骤及其相应衍生算法的图像恢复实现步骤。实验结果表明,该算法能较好地实现图像复原。     

利用BP神经网络实现监控图像盲复原

运用大量的真实图像与退化图像数据样本训练BP神经网络,然后再用训练好的网络进行实际的图像复原,方法可以实现真正的盲复原.但是,由于很难解决如何采集训练素材的问题,一直以来得不到实际的应用.针对监控图像应用的特点,通过设计实验,在原始拍摄场地对已有清晰图片进行拍摄,得到的退化图像经配准后和原始清晰图像共同组成训练图像对,解决了训练网络的材料的来源问题.实验表明,复原图像在视觉上和定量分析上都获得了良好的效果.