基于正则化的超分辨率图像重建方法及其实现

超分辨率图像重建是用同一景物的若干低分辨率图像通过数字图像处理技术获取其高分辨率图像的一种技术.介绍了基于正则化方法的超分辨率图像重建的研究现状和以正则化为基础的几种重建方法在近几年的研究和发展趋势.在此基础上,实现了一种遥感图像的正则化超分辨率重建算法,实验验证了方法的有效性.     

正则化广义逆ERT 图像重建算法的研究

提出一种正则化广义逆ERT图像重建算法，利用ERT仿真软件得到的数据进行图像重建。与常用的ERT图像重建算法进行比较，重建出的图像经过统一的门限滤波后，反投影算法、灵敏度系数算法和正则化广义逆ERT图像重建算法重建图像的CSIE平均值分别为12％，9％和6％。研究表明，正则化广义逆ERT图像重建算法重建速度快，能显著提高重建图像的质量，适合于工业过程应用。     

基于L1与TV正则化的改进图像重建算法

针对不完全投影数据图像重建中出现伪影和噪点的问题,提出了L1与TV同时进行正则化的图像重建模型。基于该重建模型,通过将Bregman迭代和TV软阈值滤波相结合,进一步提出了一种图像重建算法。该算法首先将投影数据通过优化的Bregman迭代算法进行初步重建,然后使用TV软阈值滤波对改造的全变分模型进行二次重建,最后判断是否满足设定的收敛阈值,若满足则结束重建,输出重建图像,否则重复进行上述两步操作,直至迭代完成。实验采用不添加噪声的Shepp-Logan模型与添加噪声的Abdomen模型来验证算法的有效性,证明了所提出的算法在视觉上均优于ART,LSQR,LSQT-STF,BTV等典型的图像重建算法,同时通过多项评价指标对比表明所提出的算法有明显优势。实验结果表明,所提算法在图像重建中能够有效去除条形伪影并保护图像细节,同时具有良好的抗噪性。     

近似最优正则化参数方法在电容成像图像重建中的应用

将基于近似最优正则化参数的Tikhonov方法应用于电容成像(Electrical capacitance tomography，ECT)图像重建以解决其中存在的病态性问题，并利用几种典型分布对该方法进行仿真测试。数值结果表明，在先验知识满足的条件下，近似最优参数法所找到的正则化参数是对最优正则化参数的较合理近似。在重建结果方面，基于近似最优参数的Tikhonov方法在不同的介电常数分布下与目前普遍采用的线性反投影算法(Linear back projection，LBP)各有优势。结果表明，该方法尚不能完全取代LBP算法，但能在一定程度上弥补LBP算法的不足。     

总变差正则化断层图像重建的解耦Bregman迭代算法

在断层重建的很多工程应用中,由于低剂量以及成像硬件等原因,经常需要在测量数据不充分的情况下去重建图像。基于图像分段光滑的假设,提出采用误差的加权范数作为数据保真项,TV（total variation）作为正则项的断层图像重建模型。该模型求解时,首先通过引入代理函数将原问题解耦为残差的加权范数最小化和加权范数TV去噪这两个子问题;然后采用了Chambolle的对偶空间正交投影法的框架对加权范数TV去噪问题进行求解,避免了由于TV项在不可导处所带来的计算不稳定;最后,为了提高收敛速度并且避免由正则化参数选取所引起的数值不稳定,引入Bregman方法,给出该模型的快速迭代算法。在扇形束少角度欠采样的条件下,对理想情况和高斯噪声情况下进行仿真测试,并同多种算法进行了比较。实验结果表明,该算法重建效果好,收敛速度快。     

编码曝光图像的L0正则化去模糊重建方法

目标的运动会导致其成像模糊。为了从模糊的图像中恢复清晰的目标图像,本文采用了编码曝光成像技术。与传统相机成像中快门一直处于开启的状态不同,编码曝光相机成像是在快门开启和闭合转换过程中成像。由于在时域快速转换的编码等效为频域较宽的滤波器,因此编码曝光成像有效地保留了目标的高频信息。为了从编码曝光图像中清晰地复原图像,本文设计了能保留图像高频细节的L ₀正则项约束的图像重建和模糊核估计方法。通过待重建图像与模糊核的交替迭代更新来完成图像重建。仿真合成图像和实际采集图像的实验表明,本方法对多种运动产生的模糊均有良好的图像复原效果。     

压缩图像空时自适应正则化超分辨率重建

所谓超分辨率(SR)技术就是由低分辨率(LR)图像序列来重建高分辨率(HR)图像的技术,而基于压缩图像的SR技术正成为当前研究的热点。为了提高压缩图像的重建质量,在正则化理论的基础上,通过利用比特流中的信息,提出了一种新颖的空时自适应超分辨率重建算法,该算法先利用正则化代价函数控制时域数据和空域先验信息之间的平衡,使正则化参数在SR重建过程中得到自适应地调整,然后利用迭代梯度下降法进行超分辨率重建。仿真实验表明,该自适应算法比采用传统算法重建的图像的主、客观质量有一定的提高,适合压缩图像的应用。     

基于选择性TpV正则化的DBT重建算法

针对数字乳腺断层合成摄影(digital breast tomosynthesis,DBT)为有限角度的低剂量重建问题,提出了一种基于选择性TpV(total pvariation,TpV)正则化的重建算法。采用两相式重建策略,对DBT投影数据进行联合代数重建(simultaneous algebra reconstruction technique,SART),获得满足数据一致性以及非负性约束的图像,采用选择性TpV正则项作为约束条件更新图像,抑制图像噪声,锐化图像边缘特性,两相交替进行,直到满足收敛准则。应用该算法对数字仿真乳腺体模进行重建,实验结果表明,与SART算法、SART-TpV算法相比,该算法不仅平滑了图像噪声,而且保留了图像的边缘特性,尤其实现了微小钙化的清晰显像。     

多帧图像的Tikhonov正则化重建算法研究*

介绍了Tikhonov正则化超分辨率重建算法的基本原理和特点,在原有正则化空域图像复原方法的基础上,根据多帧序列图像之间的互补信息,提出一种改进的正则化空域图像复原的新方法,该算法直接将正则化函数作用于图像超分辨率重建算法的条件概率项内,提高了正则化项的校正效率,并用共轭梯度运算来改善算法的收敛性,节省了图像重建所需的时间。实验和仿真结果表明,与传统方法相比,该算法不仅减轻了图像边缘纹理的模糊性,提高了图像的清晰度,而且收敛速度快。     

正则化算法在CT图像重建上的应用

由于受数据采集时间、照射剂量、成像系统扫描的几何位置等因素的约束,计算机断层成像（Computed tomography,CT）技术目前只能在有限角度范围或在较少的投影角度得到数据,这些都属于不完全角度重建问题. 因此,图像重建的算法应用变得尤为重要,本文将现有的几种正则化超分辨率重建算法应用到CT图像重建上并做了一系列的对比分析,分析不同算法下不同的图像重建效果. 首先对低分辨率CT图像进行图像配准,然后再进行样条插值放大,最后运用相关正则化算法进行超分辨率图像重建. 实验结果表明正则化算法的应用一定程度上提高了图像分辨率,其中双边正则化下的重建效果最好,基于L2范数全变分正则化效果较差.     

Besov空间下迭代全变差正则化的图像恢复模型

在Besov空间下,提出了一种用于图像恢复领域的迭代全变差正则化模型。通过使用一个加权的参数序列,给出了一个迭代正则化的变分问题,这个变分问题实际上是一个小波软硬阈值结合的迭代程序。给出了新模型的停止标准和一些好的性质,如单调性和收敛性等。数值实验表明与传统去噪方法相比,新方法不仅能较好地恢复图像,而且收敛速度较快。     

基于L1范数的全变分正则化超分辨重构算法

针对结构化照明显微成像系统的超分辨图像重构算法存在边界振铃效应、噪声免疫性差的问题,提出了一种基于L1范数的全变分正则化超分辨图像重构算法（简称L1/TV重构算法）。从结构化显微成像模型入手,分析了传统算法的设计原理和局限性;论述了L1/TV重构算法的原理,采用L1范数对重构图像保真度进行约束,并利用全变分正则化有效克服了重构过程的病态性,保护了重构图像边缘。对比研究传统重构算法和L1/TV重构算法的性能。实验结果表明：L1/TV重构算法具有更强的抗噪声干扰能力,重构图像空间分辨率更高。     

Spatially dependent regularization parameter selection in total generalized variation models for image restoration

In this paper, the automated spatially dependent regularization parameter selection framework for multi-scale image restoration is applied to total generalized variation (TGV) of order 2. Well-posedness of the underlying continuous models is discussed and an algorithm for the numerical solution is developed. Experiments confirm that due to the spatially adapted regularization parameter, the method allows for a faithful and simultaneous recovery of fine structures and smooth regions in images. Moreover, because of the TGV regularization term, the adverse staircasing effect, which is a well-known drawback of the total variation regularization, is avoided.     

非凸全变分正则化模糊图像复原模型研究

拍摄过程中的相对运动,导致获取图像存在一定程度的模糊,降低了其利用价值。在贝叶斯框架下,基于图像的局部结构特征和方向信息测度,提出了改进的自适应非凸全变分正则化图像复原模型,充分利用图像的全局和局部先验信息,有效抑制了复原图像中存在的振铃效应。实验结果表明,提出的改进模型在复原图像的同时能够保留图像的边缘轮廓等结构信息,得到的复原图像在峰值信噪比、平均结构相似度和主观视觉效果方面均有所提高。     

截断核范数和全变差正则化高光谱图像复原

目的 高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法 根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果 将本文与其他三种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论 本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。     

混合全变差和低秩约束下的高光谱图像复原

目的 由于高光谱遥感数据携带丰富的光谱和空间信息,使其在许多领域得以广泛关注和应用。但是高光谱遥感数据在获取过程中受到各种因素的影响,存在多种不同程度的退化,进而影响到后续的处理和应用。因此,提出一种基于低秩矩阵近似和混合全变差正则化方法来复原退化的高光谱遥感数据。方法 首先分析高光谱遥感数据的两种低秩先验：光谱低秩先验和空间低秩先验;然后利用光谱低秩先验建立低秩矩阵近似表示模型,有效抑制稀疏噪声,例如脉冲噪声、条纹噪声、死线噪声等;再利用空间低秩先验建立混合全变差正则化模型,有效去除高密度噪声,例如强高斯噪声、泊松噪声等;最后结合两种模型的优势,建立基于低秩矩阵近似和混合全变差正则化模型。结果 利用多组高光谱遥感数据,和多种相关的高光谱复原方法进行对比仿真实验,表明新模型的结果在视觉质量有很大改进。与目前最新的复原模型相比,提出的模型的平均峰值信噪比能提高1.8 dB,而平均结构相似数值指标能提高0.05。结论 新模型充分利用高光谱遥感数据的空间和光谱低秩先验,针对含有高密度噪声和稀疏异常值的高光谱遥感数据,能够有效复原出高质量的高光谱遥感数据。     

基于非凸全变差正则的核磁共振图像重构算法

针对于核磁共振（MR）图像重构中由于欠采样导致的重构图像不够完整、边缘模糊以及噪声残留等问题,提出了一种基于L₂正则的非凸全变差正则重构模型。首先,以Moreau包络和最小最大凹罚函数为工具构造L₂范数的非凸正则;然后,将其应用于全变差正则上来构造各向同性的非凸全变差正则稀疏重构模型。所提的非凸正则可以有效地避免凸正则中对较大非零元欠估计现象,能够更有效地重构目标的边缘轮廓;同时,在一定条件下可以保证目标函数的整体凸性,从而最后可以利用交替方向乘子法（ADMM）对模型进行求解。仿真实验对若干MR图像在不同的采样模板和采样率下进行了重构。实验结果均表明,与几种典型的图像重构方法相比,所提模型性能更优,相对误差明显降低,峰值信噪比（PSNR）有明显改善,较经典的L₁非凸正则重构模型提升了大约4 dB,并且重构后的图像视觉效果显著提升,有效地保留了原始图像的边缘细节。     

混合高阶全变差正则化的运动模糊图像盲复原

针对运动模糊图像的盲复原,提出一种基于混合高阶全变差正则化的盲复原方法。该方法首先采用shock滤波器从模糊图像中预测出清晰的图像边缘,并用多尺度策略实现对模糊核由粗到细的准确估计。然后根据自然图像边缘的稀疏特性,将全变差模型的保护边缘特性结合高阶全变差克服平滑区域阶梯效应的优势,对图像进行正则化约束,提出新的混合高阶全变差正则化模型。最后,利用分裂布雷格曼迭代策略对提出模型进行最优化求解。实验结果表明,提出的方法能够很好地保护图像边缘细节,同时有效地抑制平滑区域内振铃和阶梯效应的产生,获得高质量的复原图像。与近几年图像盲复原算法相比,不仅改进了复原图像的主观视觉效果,而且客观上提高了峰值信噪比。     

基于总变分的超分辨率图像重建

超分辨率图像重建是指从一组降晰的低分辨率图像重建出一帧清晰的高分辨率图像的过程。建立了超分辨率图像重建的数学模型,估计出场景在观测图像中的运动参数,选择总变分规整化克服问题的病态性得到重建结果。运用算法对模拟和实际图像序列进行重建,分别从主观效果和客观衡量标准两方面与基于Tikhonov规整化的超分辨率重建结果进行比较,结果表明该算法具有更好的处理效果。