紧框架域混合正则化模型在图像恢复中的应用

目的 有界变差函数容易造成恢复图像纹理信息丢失,并产生虚假边缘,为克服此缺点,在紧框架域,提出一种保护图像纹理信息,抑制虚假边缘产生的混合正则化模型,并推导出交替方向迭代乘子算法。方法 首先,在紧框架域,对系统和泊松噪声模糊的图像,用Kullback-Leibler函数作为拟合项,用有界变差函数半范数和L₁范数组成混合正则项,二者加权组成能量泛函正则化模型。其次,分析混合正则化模型解的存在性和唯一性。再次,通过引入辅助变量,利用交替方向迭代乘子算法,将混合正则化模型最小化问题分解为4个容易处理的子问题。最后,子问题交替迭代形成有效的优化算法。结果 紧框架域混合正则化模型有效地克服有界变差函数容易导致纹理信息丢失、产生虚假边缘的不足。相对经典算法,本文算法提高峰值信噪比大约0.10.7 dB。结论 与其他图像恢复正则化模型相比,本文算法有利于保护图像的纹理,抑制虚假边缘,取得较高的峰值信噪比和结构相似测度,适用于恢复系统和泊松噪声模糊的图像。     

能量泛函正则化模型在图像恢复中的应用分析

目的 能量泛函正则化模型是图像恢复研究的热点。为使更多工程领域的研究者对正则化技术进行探索和应用,推动不适定问题的研究,对能量泛函正则化模型的进展进行了分析。方法 首先建立图像整体坐标与局部坐标的关系,分析图像恢复正则化模型的基本原理,给出并证明正则化模型各向同性与各向异性扩散定理。然后结合函数空间、图像分解和紧框架,评述能量泛函正则化模型国内外发展现状,并对正则化模型解的适定性进行分析。结果 推导出图像恢复正则化模型扩散基本原理,给出正则化模型通用表达式,讨论正则化模型存在的问题及未来的发展方向。结论 正则化技术在解决图像恢复、修复等反问题起着重要作用。目前,国内外学者对该问题的研究取得了一些成果,但许多理论问题有待进一步研究。     

图像恢复中的凸能量泛函正则化模型综述

目的凸能量泛函正则化模型(EFRM)的综述论文在国内外还少有报道,为使即将进入该领域的研究者全面了解发展现状,结合图像恢复,对该领域国内外研究现状进行综述。方法在参考大量文献的基础上,从凸EFRM的起因、组成、处理和发展趋势等方面加以总结和比较。首先,给定反问题,无法获得可行解,解决此问题的有效方法是建立EFRM。其次,从能量泛函的组成,分析拟合项和正则项的适用条件,给出引起图像模糊的5种点扩散函数,阐述权重的重要性及确定方法。再次,将能量泛函的拟合项和正则项分为整体处理、单独处理,分析空域、变换域和混合域正则化模型求解算法,评述模型和算法的优缺点。最后,指出图像恢复EFRM的发展趋势及存在的问题。结果一般说来,无法直接求解由拟合项、正则项和权重组成的原始凸EFRM,然而,通过转化模型、对偶模型和原始—对偶模型,利用数值代数、矩阵论和优化理论对转化模型进行整体处理、分裂处理,可以设计出高效、快速求解算法。结论图像恢复中的EFRM研究虽然取得了很多有意义的理论与应用成果,但随着大规模数据处理问题的不断涌现,建立准确的数学模型,设计高效快速的求解算法以及分析算法的收敛性等理论问题有待进一步深入研究。     

图像恢复的正则化Gmres方法

在处理具有线性的、空间位移不变的成像系统所成的图像恢复问题时,提出了一种基于Krylov向量完全正交化的正则化Gmres方法。该算法考虑了图像恢复中的不适定性及计算时的复杂性两个方面,将正则化算法与广义极小残余算法相结合,通过正则化方法将模型离散后的积分方程转化为一适定问题,然后利用广义极小残余算法得到结果。在数值模拟时,对不同的方法进行了对比分析,结果表明所选的方法能够明显改善图像恢复的质量。     

一种基于正则化参数自适应选择的快速近似求逆的图像恢复新算法

本文根据正则化恢复中正则化参数应具有的性质,提出了一种基于正则化参数自适选择方案的新的空域迭代恢复算法。     

正则图像恢复中正则化算子选取的定性分析

对病态图像恢复中正则化算子的选取问题进行定性分析。以最小化正则解模糊误差为目标,利用泰勒级数定性地分析怎样选取正则化算子,得出结论:在信号的强度大于噪声强度的频带正则化算子应该是带阻的,而信号的强度小于噪声强度的频带正则化算子应该是带通的,通常情况下应选取低阻高通的正则化算子。实验结果表明了该结论的正确性。     

基于PSO自适应正则化参数图像恢复的研究

图像恢复的根本目的是使降质图像趋向于复原或没有噪声影响的理想图像,当前的主要问题是如何在平滑噪声的同时保持图像的边缘和细节.文中提出了基于粒子群优化算法的自适应正则化参数图像恢复算法,与传统方法相比较,实验结果表明,文中方法在恢复效果上要优于传统的正则化方法、Lucy-Richardson 算法和维纳(Wiener)滤波器恢复,明显地克服模糊退化,同时也保护了图像的边缘等细节信息,图像纹路更加清晰,图像质量评价的ISNR好于传统方法.     

正则化数字图像盲恢复的一种改进方法

以解决病态数学问题的正则化技术为基础,通过构造适当的正则项,将未知清晰图像和未知点扩散函数结合到一个代价泛函中,采用共轭梯度算法搜索判据,从而在有实际物理意义的区域中收敛于最优解,达到了同时获取未知清晰图像和辨识未知点扩散函数的目的.     

基于最小鉴别信息的正则化图像恢复方法

提出在正则化图像恢复方法中将图像恢复结果与先验图像的最小鉴别信息作为新的正则化约束.同传统的正则化约束不同,新的约束使得恢复的图像与给定的先验图像具有最相似的灰度分布.同时给出一种自适应确定正则化参数的方法.实验结果表明,新方法在恢复效果上要优于传统的正则化方法,但对噪声则比较敏感.因此,提出在降质图像含有较多的噪声时保留传统的正则化约束,以达到更好的恢复效果.     

用于图像恢复的基于正则化可能性线性模型的自适应滤波器

中值滤波器在有效抑制脉冲噪声的同时,会模糊图像细节.为克服这一缺陷,文中对中值滤波器进行改进,提出一种基于正则化可能性线性模型的自适应滤波器.该滤波器的输出是原始输入信号和经典中值滤波器的加权和,而权值则根据输入的信号序列由建好的正则化可能性线性模型来决定.实验表明,该滤波器在有效滤除脉冲噪声的同时能较好地保留图像的细节信息,且针对不同比例的脉冲噪声,表现出较好的鲁棒性.     

基于正则化技术的超分辨图像盲复原

针对低分辨率图像盲复原中信息不足的问题,可以用正则方法来求解。假设点扩散函数结构已知而参数未知,模糊矩阵可表示为带参数的形式,在Nguyen等人的正则有参盲复原框架的基础上,进一步根据Roberts交叉梯度算子构造正则项,从自适应的角度构造正则化参数,并用迭代法求解该框架的目标泛函极小值。算法分析和实验结果表明,这种方法能取得令人满意的超分辨图像复原效果。     

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。     

一种改进的最小二乘正则化的图像复原方法

在常用的最小二乘正则化方法的基础上,提出了一种改进的图像复原方法。在运算中,首先用四阶偏微分方程方法对模糊图像进行噪声处理,得到一幅中间图像,然后对这个中间图像采用最小二乘正则化方法进行处理,便得到了最终的复原图像。实验表明,该方法不仅能克服问题的病态性,而且复原后的图像比最小二乘正则化方法复原后的图像整体视觉效果和峰值信噪比都有明显的提高。     

稀疏梯度先验模型的正则化图像复原

传统Lucy-Richardson(LR)算法是一种基于贝叶斯分析的图像复原迭代算法,对高信噪比的退化图像能获得很好的复原结果,但对噪声过于敏感,对低信噪比的退化图像在迭代过程中易造成噪声的放大,虽然有一些正则化方法应用到LR算法中来抑制噪声,但往往容易产生过度平滑的问题。针对这些问题将图像稀疏先验模型作为正则项引入到LR算法中,抑制噪声在迭代过程中的放大。与常规的图像梯度约束算法不同,本文算法中根据模糊图像梯度分布特点的不同提出了可变参数的图像稀疏梯度正则化约束方法,使复原图像的梯度分布参数在迭代过程中更趋近于真实梯度分布,同时通过调整正则项系数可以避免复原图像的过度平滑。实验结果表明,同标准LR算法和常规梯度约束算法相比,本文算法能够实现在抑制噪声放大的同时较好地保留图像的细节。     

空域中基于正则化的自适应超分辨率图像复原

对于模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率图像复原方法.在Nguyen等人的正则图像复原框架的基础上,根据Roberts交叉梯度算子构造正则项,从自适应的角度生成正则化参数,并用共轭梯度法求解该模型的目标泛函极小值.计算机仿真结果表明,该方法可较好的再现图像的重要信息,复原图像的相对误差降低,同时,峰值信噪比和主观视觉效果方面都有明显的提高.     

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。     

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。