基于自然图像块相似性和稀疏先验性的图像复原

针对物体成像过程受光学系统散焦、运动、大气扰动及光电噪声等因素影响,导致光学系统获取的图像存在噪声、模糊、畸变等降质问题,对基于自然图像块相似性和自然图像稀疏先验信息的图像复原方法进行研究,提出一种泛化的基于图像块相似性和自然图像稀疏先验的图像复原框架。首先,在研究自然图像稀疏先验模型的基础上比较了几种图像块的相似性模型,比较结果表明在图像复原中利用图像块的高相似性先验条件模型能够提升图像复原的性能;接着,构建和优化了基于图像块的期望log相似性模型,减少了运行时间,简化了学习过程;最后,通过构建一种近似的最大后验估计（MAP）算法,最终实现了基于优化的期望块log相似性和混合高斯模型（GMM）的图像复原。仿真实验结果表明,所提方法能够很好地复原包含有各种模糊和加性噪声的退化图像,所得图像的峰值信噪比（PSNR）和结构相似度（SSIM）都优于当前技术条件下的其他稀疏先验复原方法,并具有更好的视觉效果。     

一种基于偏微分方程的图像复原新模型

首先基于偏微分方程（PDE）提出一个描述图像复原的泛函,并推导出新的PDE图像复原模型,该模型不仅复原效果良好,而且能较好地保持图像的特征。与其他经典的复原方法相比较,新模型具有理论上的优势;其次,有效地解决了保持图像边缘特征和图像的过度平滑这对矛盾。实验表明,给出的新模型既能较好地复原图像,又能很好地保持图像的边缘特征。     

基于边缘先验模型的运动去模糊

从单幅运动模糊图像复原出清晰的图像,一直是数字图像处理领域中富有挑战的问题.基于边缘先验模型和小波分析提出了一种运动模糊退化图像的复原算法.在去模糊之前,对图像进行预处理,将噪声去除,用冲击滤波器增强边缘,并采用canny边缘检测获取清晰边缘作为先验模型,以此估计模糊核;然后在紧小波框架系统下,将清晰图像的稀疏性最大化,采用改进的分裂Bregman方法求解最优化问题,最终得到清晰的图像.实验结果表明,相对于传统的盲复原算法,提出的方法可以有效地去除运动模糊.     

基于稀疏表示的单帧运动图像盲复原

提出一种基于稀疏表示的单帧运动盲复原方法,它充分利用自然图像中存在的各种先验知识进行求解。该方法分为模糊核估计和图像修复两个阶段。在估计模糊核时,它运用shock滤波器从模糊图像中预测出清晰边缘,以此指导全局图像的复原,并运用多尺度策略来解决大模糊核问题。在图像修复阶段,运用稀疏表示理论对复原图像进行降噪和重建,最终提高图像复原质量。实验结果表明,在不同噪声和模糊核条件下,该算法能有效消除运动模糊。     

基于稀疏特性的盲二值图像去模糊

通过分析二值图像发现其像素值具有稀疏特性,因此采用L₀梯度反卷积算法结合二值图像的组合特性来处理盲二值图像的复原问题。常见的图像复原方法均将二值图像看作灰度值图像来处理,当其考虑到二值图像的特殊性质时,将会针对这种特定类型的图像得到更好的复原效果。提出的盲复原算法基于一阶梯度空间L₀最小化问题的框架,利用L₀梯度图像平滑方法来获得明显的图像边缘以估计模糊核,并将二值图像的特有属性作为正则项加入目标函数。在图像的复原过程中,通过二值图像先验来强制复原结果趋于二值图像。根据提出的模型,给出了基于稀疏特性的盲二值图像复原算法。通过实验将该算法与传统的盲反卷积复原算法进行比较,结果表明所提算法具有良好的性能,对二值图像进行复原是有效的。     

基于小波域局部高斯模型的图像复原

图像复原的目的是将原始图像从观测到的降析图像中恢复出来.提出了一种基于小波域局部高斯模型的线性图像复原算法.小波域局部高斯模型采用高斯函数刻画子带系数的局部概率分布,由于这一模型具有很好的局部自适应性,并能正确地反映图像的局部结构信息,因此算法以此作为自然图像的先验模型,把图像复原问题转化为一个约束优化问题并用共轭梯度法对其进行求解.实验结果表明,基于小波域局部高斯模型的图像复原算法较好地再现了各种边缘信息,复原出的图像在信噪比和主观视觉效果方面都有显著的提高.     

一种基于LIP的PDE图像复原新模型

以对数图像处理(LIP)数学模型为基础,结合全变分(TV)图像复原方法,提出了一种新的图像复原模型,称之为LIP_TV模型。该模型弥补了经典图像复原方法的不足,并具有与人眼视觉特征相吻合的特点。实验表明,与经典图像复原方法相比,该模型不仅复原效果更好,而且能很好地保持图像的边缘纹理特征。     

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。     

基于稀疏表示和结构自相似性的单幅图像盲解卷积算法

图像盲解卷积研究当模糊核未知时,如何从模糊图像复原出原始清晰图像.由于盲解卷积是一个欠定问题,现有的盲解卷积算法都直接或间接地利用各种先验知识.本文提出了一种结合稀疏表示与结构自相似性的单幅图像盲解卷积算法,该算法将图像的稀疏性先验和结构自相似性先验作为正则化约束加入到图像盲解卷积的目标函数中,并利用图像不同尺度间的结构自相似性,将观测模糊图像的降采样图像作为稀疏表示字典的训练样本,保证清晰图像在该字典下的稀疏性.最后利用交替求解的方式估计模糊核和清晰图像.模拟和真实数据上的实验表明本文算法能够准确估计模糊核,复原清晰的图像边缘,并具有很好的鲁棒性.     

基于差分算子边缘约束先验的图像盲复原算法

为了有效克服图像在复原过程的边缘退化、振铃效应等影响,使空间域的边缘先验信息能够灵活的添加到图像复原算法中,依据差分算子描述检测边缘的特性,将数字摄影测量学中的拉普拉斯算子、Robert梯度算子、方向差分算子作为一种新的边缘约束先验引入到图像复原过程中,同时使用Toeplitz矩阵实现图像在空间域解卷积的过程,提出了一种以差分算子为边缘约束先验的空域图像复原算法。模拟数据的实验结果体现了更多的细节信息,相关评价指标表明了该算法的有效性。     

Variational PDE based image restoration using neural network

Two variational partial differential equations as regularisation terms are proposed for the image restoration model based on the modified Hopfield neural network. One is based on a harmonic model and the other is based on a total variation model. The performance of these regularisation terms is analysed from the viewpoint of nonlinear diffusion. It can be shown that the two proposed restoration models have edge-preserving performance superior to that of the traditional restoration model. Two algorithms have been proposed on the basis of the harmonic restoration model and the total variation model. Experimental results show that the proposed algorithms are more effective than the traditional algorithm     

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。     

Ultrasound image restoration based on a learned dictionary and a higher-order MRF

The restoration of images degraded by blur and multiplicative noise is a critical preprocessing step in medical ultrasound images which exhibit clinical diagnostic features of interest. This paper proposes a novel non-smooth non-convex variational model for ultrasound images denoising and deblurring motivated by the successes of sparse representation of images and FoE based approaches. Dictionaries are well adapted to textures and extended to arbitrary image sizes by defining a global image prior, while FoE image prior explicitly characterizes the statistics properties of natural image. Following these ideas, the new model is composed of the data-fidelity term, the sparse and redundant representations via learned dictionaries, and the FoE image prior model. The iPiano algorithm can efficiently deal with this optimization problem. The new proposed model is applied to several simulated images and real ultrasound images. The experimental results of denoising and deblurring show that proposed method gives a better visual effect by efficiently removing noise and preserving details well compared with two state-of-the-art methods.     

A variational model for image classification and restoration

We present a variational model devoted to image classification coupled with an edge-preserving regularization process. The discrete nature of classification (i.e., to attribute a label to each pixel) has led to the development of many probabilistic image classification models, but rarely to variational ones. In the last decade, the variational approach has proven its efficiency in the field of edge-preserving restoration. We add a classification capability which contributes to provide images composed of homogeneous regions with regularized boundaries, a region being defined as a set of pixels belonging to the same class. The soundness of our model is based on the works developed on the phase transition theory in mechanics. The proposed algorithm is fast, easy to implement, and efficient. We compare our results on both synthetic and satellite images with the ones obtained by a stochastic model using a Potts regularization     

一种基于稀疏系数匹配学习的图像去雾算法

针对现有基于先验假设的图像去雾算法无法普适性求解问题,提出一种基于稀疏系数匹配学习的图像去雾算法.该算法从图像复原角度出发,将雾天退化模型的求解转换为基于数据库的稀疏系数匹配.之后,从图像增强角度着手,将图像高亮区域对比度恢复量化为反馈迭代问题,进而有效提升图像的视觉效果.实验结果表明,所提出的算法在获得较好去雾结果的同时能够有效提升图像细节和对比度,并具有较强的适用性.     

基于背景先验与低秩恢复的显著性目标检测方法

显著性检测是指计算机通过算法自动识别出图像中的显著性目标，广泛应用于目标识别、图像检索与图像分类等领域。针对现有基于稀疏与低秩矩阵恢复的显著性检测模型中低秩转换矩阵的获取、前景稀疏矩阵的处理以及超像素块之间的关系，需对现有的稀疏与低秩矩阵恢复模型进行优化，使之更好地适用于图像的显著性检测。首先，根据背景的对比度和连通度原则获取图像低秩的背景字典，采用3种尺度分割图像的多个特征矩阵获得图像的前景稀疏矩阵；其次，通过计算邻居像素点之间的影响因子矩阵与置信度矩阵对显著图的结果进行结构约束，并且采用稀疏与低秩矩阵恢复模型对图像进行显著性检测；最后，利用K-means聚类算法的传播机制优化得到的显著图。在公开数据集上进行实验验证,结果证明本文方法能够准确有效地检测出显著性目标。     

An Edge-Preserving Image Reconstruction Using Neural Network

This paper presents an image restoration model based on the implicit function theorem and edge-preserving regularization. We then apply the model on the subband-coded images using the artificial neural network. The edge information is extracted from the source image as a priori nowledge to recover the details and reduce the ringing artifact of the subband-coded image. The multilayer perceptron model is employed to implement the restoration process. The main merit of the presented approach is that the neural network model is massively parallel with strong robustness for the transmission noise and parameter or structure perturbation, and it can be realized by VLSI technologies for real-time applications. To evaluate the performance of the proposed approach, a comparative study with the set partitioning in hierarchical tree (SPIHT) has been made by using a set of gray-scale digital images. The experimental results showed that the proposed approach could result in compatible performances compared with SPIHT on both objective and subjective quality for lower compression ratio subband coded image.