基于TwIST-TV 约束的图像去模糊方法

传统的基于频域和小波域的去模糊算法所得的复原图像总是存在比较明显的边缘振铃及模糊效应,而较为有效的空域迭代优化去模糊算法速度通常比较慢。为了解决上述问题,提出了基于二步迭代阈值收缩（TwIST）与总变分（TV）约束相结合的图像去模糊算法（TwIST-TV）。首先在去模糊目标函数中加入对图像的TV 正则化约束,其次在对图像小波系数的每次二步迭代之前,加入对图像的TV 优化去噪约束,最后迭代获取去模糊图像。实验结果表明:相对于基于频域和小波域的模糊图像恢复算法,TwIST-TV 能有效抑制边缘模糊和振铃效应,复原图像的信噪比（SNR）、峰值信噪比（PSNR）高出1~7 dB,平均结构相似度指标（MSSIM）可高出0.05,相对于空域解卷积算法在保证求解精度相当的情况下具备6 倍以上的速度优势。     

交替使用小波去噪和全变差正则化的盲图像恢复算法

盲图像恢复就是在点扩散函数未知情况下从降质观测图像恢复出原图像.该文提出了一种交替使用小波去噪和全变差正则化的盲图像恢复算法.观测模型首先被分解成两个相互关联的子模型,这种分解转化盲恢复问题成为图像去噪和图像恢复两个问题,可以交替采用图像去噪和图像恢复算法求解.模糊辨识阶段,使用全变差正则化算法估计点扩散函数;图像恢复阶段,使用小波去噪和全变差正则化相结合的算法恢复图像.实验结果和与其它方法的比较表明该文算法能够获得更好的恢复效果.     

基于分裂Bregman方法的全变差图像去模糊

针对全变差图像去模糊问题,提出一种基于分裂Bregman方法的全变差图像去模糊算法,利用分裂Bregman方法来优化其求解问题模型.首先,利用辅助变量及其二次惩罚泛函把全变差去模糊优化问题转化为一个等价的无约束优化问题;其次,基于Bregman迭代将其分解为两个子优化问题采用交替最小化方法进行求解;最后,根据子问题结构特点,采用离散傅立叶变换及收缩技术实现子优化问题的快速计算.实验结果表明,在不同尺寸模糊核条件下本文算法能获得有效、稳定的图像复原结果,相比FTVd、IRN去模糊方法,本文算法复原效果更好,计算更加快速.     

图像去模糊的l0范数最小化方法

针对经典的图像去模糊问题,提出了一种基于l0-范数约束的图像去模糊算法。该算法结合图像稀疏性的特点,利用l0-范数作为正则项约束,保证了恢复图像的稀疏性要求。为了有效的求解l0-范数优化问题,引入两个辅助变量,将原问题分解为两个子优化问题,并采用交替方向法进行快速求解。实验结果表明,对于不同程度的高斯模糊和运动模糊,该算法都能够得到有效的恢复结果。     

传统相机的空间变化离焦去模糊

为解决传统相机空间变化离焦去模糊的难题,提出了一种基于模糊映射图和L1-2优化的空间变化离焦去模糊方法。首先对相机的离焦模型进行研究与分析,概括了圆盘离焦模型和高斯离焦模型的原理、特性和适用范围;然后利用边缘属性对局部对比度先验条件进行修改,结合模糊边缘的梯度信息得到模糊映射图,并利用一种向导滤波的方法去除边缘附近的歧义性和映射图中的噪声,获得一幅更好的模糊映射图;最后采用一种合并了类Tikhonov规整化和TV规整化的L1-2优化对图像进行去模糊,采用变量分裂和惩罚的方法完成L1-2的优化,并利用尺度选择和图像重构方法得到全聚焦图像。基于人工合成图像和实际拍摄图像的实验结果表明,所提方法性能优于当前技术条件下的空间不变去模糊方法和空间变化去模糊方法。     

基于Hessian核范数正则化的快速图像复原算法

利用Hessian核范数进行图像复原是目前较好的高阶正则化方法,但是由于Hessian核范数正则项的高度非线性和不可微性,图像去模糊和去噪过程耦合度高,求解算法的复杂度高.本文利用变量分裂设计了一种具有闭解形式的交替迭代最小化快速图像复原算法,将图像去模糊、去噪分步进行,并给出算法的收敛性证明.实验结果表明,本文方法不仅在峰值信噪比方面优于原有的基于Hessian核范数图像复原的主优化(Majorization-Minimization,MM)方法,而且大大降低了算法的迭代次数和运行时间.     

多通道MCP范数最小化的彩色图像去噪方法

低秩去噪方法利用核范数作为秩函数的凸近似,取得了很好的去噪效果。然而,非凸函数更加近似秩函数。针对彩色图像去噪问题,文章提出一种基于多通道MCP范数最小化的图像去噪方法。首先构建MCP(Minimax Concave Penalty)范数最小化的低秩去噪模型,对噪声图像的相似块矩阵施加MCP正则化约束。对于多通道且噪声强度不同的彩色图像,引入权重矩阵以平衡每个通道对恢复图像的估计。最后利用交替乘子方向法迭代求解模型,重建获得干净的图像。经实验验证,所提算法在性能指标和视觉效果方面都有较好的提升。     

基于图像局部方向特性的自适应全变分去噪模型

针对全变分模型(total variation,TV)以图像的梯度信息作为去噪的尺度参数,未考虑图像局部纹理的方向性的缺点,提出了一种基于图像局部方向特性的自适应全变分去噪模型(Adaptive directional total variation,ADTV),并推导出该模型的迭代数值求解过程。在该模型中,首先,计算出图像局部方向的角度矩阵。然后,构造与图像纹理方向一致的椭圆区域代替TV模型的圆形区域。最后,通过优化最小化算法迭代求解以获得去噪后图像。通过对比实验证明,本文提出的模型取得了更高的峰值信噪比,去噪过程中更好地增强了图像的细节信息。     

一种改进的NAS-RIF红外图像盲复原算法

针对军事目标红外图像信噪比低、NAS-RIF算法复原模糊图像时敏感于噪声的缺陷,提出一种基于Contourlet多尺度变换去噪和图像细节规整化的改进NAS-RIF盲复原算法。首先,通过Contourlet变换对图像进行去噪预处理;然后,利用最优阈值分割技术提取目标的可靠支持域,并引入规整化方法,在代价函数中添加目标边缘保持约束项,保存图像细节特征;最后,利用共轭梯度(CG)算法优化代价函数,以保持算法的收敛速度。两组实验的结果表明,针对信噪比较低的气动红外退化图像,与原始NAS-RIF方法相比,本文提出的改进算法具有更好的复原效果,算法的收敛速度基本保持不变。     

TDI遥感图像中畸变像移模糊的去除

采用离轴三反射结构的大视场空间相机存在较大的光学畸变,导致引入时间延迟积分(Time Delay Integration, TDI)技术的面阵探测器在推扫成像时产生像移模糊。根据畸变引起的TDI成像退化原理,将畸变像移模糊转化为非均匀运动模糊,通过求解像移路径计算初始模糊核,将其作为先验信息,建立半盲复原模型进一步细化模糊核。利用初始模糊核复原的粗略图像边缘指导模糊核的细化,提出一种多方向权重异性的全变差模型提取图像结构信息。为了增强先验信息对模糊核细化的约束,构建了含有初始模糊核的正则项,使模糊核的估计不过度依赖于图像内容,采用多尺度迭代方法求解。最后用正则化约束的非盲反卷积方法去除图像模糊。实验结果表明:与现有的几种去模糊算法相比,所提方法的去模糊效果不仅清晰自然且对不同样本图像的模糊核估计更稳定。     

应用双稀疏模型和ADMM优化的图像复原

基于稀疏表示的图像复原算法大都只利用了图像整体稀疏性和局部稀疏性中的一种,未充分利用图像的先验知识,基于此,本文在稀疏表示框架下,同时引入Cosparse解析模型及平移不变小波变换两种稀疏模型,前者对每个图像块进行稀疏表示,后者对整幅图像进行稀疏表示,从而提出一种新的图像复原算法。该算法将图像复原问题归结为双稀疏正则化问题。为求解复杂的双稀疏优化问题,本文运用交替方向乘子法 (ADMM, Alternating Direction Method of Multipliers)算法将该约束优化问题分解为若干子问题,通过交替迭代求解获得复原图像。实验中对不同类型的模糊图像进行了复原,其结果表明该算法对于各类模糊图像的复原比现有复原算法效果更好,从而验证了算法的有效性。      

An adaptive two phase blind image deconvolution algorithm for an iterative regularization model

This paper proposes a blind image deconvolution method which consists of two sequential phases, i.e., blur kernel estimation and image restoration. In the first phase, we adopt the L₀-norm of image gradients and total variation (TV) to regularize the latent image and blur kernel, respectively. Then we design an alternating optimization algorithm which jointly incorporates the estimation of intermediately restored image, blur kernel and regularization parameters into account. In the second phase, we propose to take the mixture of L₀-norm of image gradients and TV to regularize the latent image, and design an efficient non-blind deconvolution algorithm to achieve the restored image. Experimental results on both a benchmark image dataset and real-world blurred images show that the proposed method can effectively restore image details while suppress noise and ringing artifacts, the result is of high quality which is competitive with some state of the art methods.     

基于粒子群优化的正则化水下图像盲复原

水下图像恢复的难点在于缺少海水的点扩展函数的足够信息,而导致病态的问题.为了提高水下激光成像系统的成像质量,提出了用粒子群优化正则化参量的盲图像复原算法.该方法结合Tikhonov正则化和改进的全变分正则化的技术特点,使用一种交替迭代方法,分别估计点扩展函数和估计复原图像,同时用粒子群算法优化正则化参量.结果表明,该方法对水下图像复原具有较好的鲁棒性,算法收敛稳定.     

Non-convex hybrid total variation for image denoising

Image restoration problems, such as image denoising, are important steps in various image processing method, such as image segmentation and object recognition. Due to the edge preserving property of the convex total variation (TV), variational model with TV is commonly used in image restoration. However, staircase artifacts are frequently observed in restored smoothed region. To remove the staircase artifacts in smoothed region, convex higher-order TV (HOTV) regularization methods are introduced. But the valuable edge information of the image is also attenuated. In this paper, we propose non-convex hybrid TV regularization method to significantly reduce staircase artifacts while well preserving the valuable edge information of the image. To efficiently find a solution of the variation model with the proposed regularizer, we use the iterative reweighted method with the augmented Lagrangian based algorithm. The proposed model shows the best performance in terms of the signal-to-noise ratio (SNR) and the structure similarity index measure (SSIM) with comparable computational complexity.     

基于结构组全变分模型的图像压缩感知重建

针对基于传统全变分(TV)模型的图像压缩感知(CS)重建算法不能有效地恢复图像的细节和纹理,从而导致图像过平滑的问题,该文提出一种基于结构组全变分(SGTV)模型的图像压缩感知重建算法。该算法利用图像的非局部自相似性和结构稀疏特性,将图像的重建问题转化为由非局部自相似图像块构建的结构组全变分最小化问题。算法以结构组全变分模型为正则化约束项构建优化模型,利用分裂Bregman迭代将算法分离成多个子问题,并对每个子问题高效地求解。所提算法很好地利用了图像自身的信息和结构稀疏特性,保护了图像细节和纹理。实验结果表明,该文所提出的算法优于现有基于全变分模型的压缩感知重建算法,在PSNR和视觉效果方面取得了显著提升。     

一种改进的全变差盲图像复原方法

当点传播函数未知或不确知的情况下,从观察到的退化图像中复原原始图像的过程称为图像盲复原.传统的图像盲复原算法常采用最小均方误差作为复原效果的评判准则,但它很少考虑人类视觉心理,而图像最终都必须由人类的视觉系统来观测和解释.因此,本文提出一种新的基于人类视觉特性的图像盲复原算法:它采用交替最小化的结构,在模糊辨识阶段,采用全变差正则化算法;在复原阶段,采用基于Weber定律和全变差正则化相结合的算法.仿真实验表明,这种算法可在未知点扩展函数的情况下取得较好的复原效果.     

Fast total variation deconvolution for blurred image contaminated by Poisson noise

In this paper, we present a fast non-blind deconvolution method for restoring blurred images contaminated by Poisson noise. The problem is formulated by finding the minimizer of the negative logarithmic Poisson log-likelihood combined with the total variation (TV). To attack the challenging task, we adopt the well-known variable splitting and penalty technique to convert the problem into two easier sub-problems: one is a modified TV regularized deconvolution and the other is a simple convex optimization problem. Experimental results show that the proposed method runs very fast and the quality of the restored image is comparable with that of some state of the art methods.     

Total Variation for Image Restoration with Smooth Area Protection

The problem for image restoration is usually reduced to a constraint optimization problem. Different choice of optimization operator leads to various restoration models, e.g. least squares model and original total variation (TV) model. The TV model and its modified version can efficiently preserve the edge of the restored image well, but there exist obvious staircases in smooth area of the restored image. To reduce those staircases, we propose a new modified TV model, by adding a constraint term for smooth area protection as a penalty function. The numerical experiment shows our model can not only preserve the edge as well as TV model, but also efficiently reduce the staircase appearing in the smooth areas. Furthermore, It is shown that the restored image by our model has higher signal-to-noise ratio, less mean square error and better visual effect than those by the least squares model and by the TV models.     

自适应非局部patch正则化图像恢复

 非局部均值利用图像自相似性,有效保持了图像的几何结构信息.提出了非局部patch正则和TV正则结合的图像恢复模型,利用改进的结构张量矩阵构造自适应非局部权函数,根据像素的局部结构计算图像中patch的相似性,提高了图像结构信息的保持性能.在数值解法上,采用分裂Bregman算法迭代求解模型,得到简单快速的迭代形式.数值实验证明所提出方法在提高恢复图像质量和算法效率上都有显著改进.