加强边缘感知的盲去模糊算法

目的 拍摄过程中,如果摄像机进行了错误的聚焦,就会得到模糊的图像,如何将模糊图像变得清晰成为一个亟待解决的问题。目前关于图像的去模糊方法多采用基于模糊核约束的卷积模型。但是由于实际应用中很难准确获取模糊核的信息,同时计算机也存在精度限制,计算结果与实际物理模型有偏差,因而去模糊的主要挑战为：如何精确地估计模糊核,以及如何在复原过程中减弱由于精度限制造成的振铃效应。方法 振铃效应是指图像的灰度剧烈变化处产生的震荡,类似于钟被敲击后产生的波状空气震荡。在图像复原过程中,此效应通常发生在梯度变化较大的边缘区域附近。本文对此进行研究,在去模糊过程中引入边缘信息作为约束条件,以改善模糊核的估计,并通过抑制边缘区域的反卷积,抑制图像复原过程中的振铃效应。算法主要分为如下3个部分：1）设计了适用于模糊图像的边缘提取算法;2）利用边缘信息设计了加强边缘感知的反卷积算法;3）提出并设计了安全检测子,以保证算法在边缘区域复原的完整性。结果 实验结果表明,在没有先验知识的情况下,本文方法可以较好地恢复图像细节,并有效抑制振铃效应。较之传统的去模糊处理算法,本文方法在性能上有较大提高。比如,相比于Chan、Krishnan以及Hu的方法,本文方法在峰值信噪比指标上分别提高了25.73%、3.52%和4.43%,在结构相似性指标上分别提高了7.67%、1.63%和3.59%。同时,与基于深度学习的方法相比,本文方法不依赖于数据集,鲁棒性更强。结论 本文方法可以较好地恢复图像细节,并抑制振铃效应,同时比深度学习方法适用范围更广。     

强边缘导向的盲去模糊算法

目的 在图像的获取过程中,成像设备与拍摄场景发生了相对位移,导致获取的实际图像存在信息丢失、模糊退化的现象,这极大地影响了图像的质量和人们的视觉体验,也影响了图像的后续处理。盲去卷积旨在从观测图像中估计模糊核并获得清晰图像,为此提出了一种基于强边缘的运动图像盲去模糊算法。方法 结合图像梯度稀疏性,采用自适应l₀范数约束待估计图像梯度的强边缘;针对模糊核稀疏性和连续性,以l₀-l₂范数分别约束模糊核的像素和梯度,同时把模糊核归一化先验作为正则项引入模型中,以强边缘指导模糊核估计。在去模糊阶段,结合全变分与超拉普拉斯正则化方法的优点,将两种方法复原的图像取平均,以减轻复原图像中的振铃效应,同时保留更多的图像细节。结果 为了检验本文算法的有效性,对Levin测试集和实际拍摄的模糊图像分别进行仿真,并同现有算法进行比较。Levin测试集上的实验结果表明,提出的盲反卷积成功率为100%且在对比算法中具有最高PSNR;实际彩色图像的盲反卷积实验表明,相比于其他算法,本文算法获得的模糊核具有更准确的支撑和较少的噪点,获得的清晰图像具有较优的视觉效果。结论 该方法从定量和定性比较上都体现了较好的去运动模糊能力,可适用于遥感、医学等领域。     

单图像盲去模糊方法概述

图像去模糊长期以来一直是计算机视觉和图像处理中的研究热点.由相机抖动、物体运动或失焦引起的运动模糊或焦点模糊图像会严重影响图像的使用和后续处理.传统的盲去模糊方法利用图像运动模糊产生的不同原因,可将运动模糊分为全局运动模糊和局部运动模糊.概述了近年来图像盲去模糊的方法和研究现状.在深度学习图像去模糊方法的基础上,总结了...     

一种基于视觉特性的图像盲去模糊方法

In many various image-debluring methods, Visual Characteristics are not consides. This paper proposes an image-dehluring method based on the frequency and direction characteristics of human visual system by weighting high frequency subband of blured image‘s wavelet transformation, the enhanced blured image in high frequecy is ob-tained through wavelet anti-transformation ,and the blind deblured methed is used to restore image from the enhanced blured image .the restored imat, e is well improved in visual quality.     

基于稀疏表示和梯度先验的图像盲去模糊

针对目前基于稀疏表示的图像盲卷积算法细节恢复有限等问题,提出一种基于稀疏表示和梯度先验的图像盲卷积算法。虽然每个图像块可以通过字典稀疏表示,但是图像块重构出的图像常常出现“伪像”,本文将梯度先验知识和超拉普拉斯先验知识融入稀疏表示盲卷积模型中,采用迭代方法交替估计中间清晰图像和模糊核,一旦获得模糊核,采用超拉普拉斯非盲去卷积算法恢复出最终的清晰图像。实验结果表明,与其他去模糊算法相比,本文算法在抑制振铃方面效果显著。     

基于模糊核估计的图像盲超分辨率神经网络

模糊图像的超分辨率重建具有挑战性并且有重要的实用价值. 为此, 提出一种基于模糊核估计的图像盲超分辨率神经网络(Blurred image blind super-resolution network via kernel estimation, BESRNet). 该网络主要包括两个部分: 模糊核估计网络 (Blur kernel estimation network, BKENet)和模糊核自适应的图像重建网络(Kernel adaptive super-resolution network, SRNet). 给定任意低分辨率图像(Low-resolution image, LR), 首先利用模糊核估计子网络从输入图像估计出实际的模糊核, 然后根据估计到的模糊核, 利用模糊核自适应的图像重建子网络完成输入图像的超分辨率重建. 与其他图像盲超分辨率方法不同, 所提出的模糊核估计网络能够显式地从输入低分辨率图像中估计出完整的模糊核, 然后模糊核自适应的图像重建网络根据估计到的模糊核, 动态地调整网络各层的图像特征, 从而适应不同输入图像的模糊. 在多个基准数据集上进行了有效性实验, 定性和定量的结果都表明该网络优于同类的图像盲超分辨率神经网络.     

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。     

基于二阶广义全变差正则项的模糊图像恢复算法

针对图像去模糊问题, 采用二阶广义全变差作为修复图像的正则项构建恢复模型, 并针对重建模型的高阶与非光滑特性, 给出了基于分裂Bregman 迭代的快速算法. 实验结果表明, 该模型和数值算法能够较好地恢复被噪声和模糊污染的图像, 同时可以很好地保留图像的纹理和细节信息.     

盲去模糊的多尺度编解码深度卷积网络

针对拍摄场景中物体运动不一致所带来的非均匀模糊，为提高复杂运动场景中去模糊的效果，提出一种多尺度编解码深度卷积网络。该网络采用"从粗到细"的多尺度级联结构，在模糊核未知条件下，实现盲去模糊；其中，在该网络的编解码模块中，提出一种快速多尺度残差块，使用两个感受野不同的分支增强网络对多尺度特征的适应能力；此外，在编解码之间增加跳跃连接，丰富解码端信息。与2018年国际计算机视觉与模式识别会议（CVPR）上提出的多尺度循环网络相比，峰值信噪比（PSNR）高出0.06 dB；与2017年CVPR上提出的深度多尺度卷积网络相比，峰值信噪比和平均结构相似性（MSSIM）分别提高了1.4%和3.2%。实验结果表明，该网络能快速去除图像模糊，恢复出图像原有的边缘结构和纹理细节。     

Blind Deblurring Based on L0Norm from Salient Edges简

Motion deblurring is a basic problem in the field of image processing and analysis. This paper proposes a new method of single image blind deblurring which can be significant to kernel estimation and non-blind deconvolution. Experiments show that the details of the image destroy the structure of the kernel, especially when the blur kernel is large. So we extract the image structure with salient edges by the method based on RTV. In addition, the traditional method for motion blur kernel estimation based on sparse priors is conducive to gain a sparse blur kernel. But these priors do not ensure the continuity of blur kernel and sometimes induce noisy estimated results. Therefore we propose the kernel refinement method based on L0 to overcome the above shortcomings. In terms of non-blind deconvolution we adopt the L1/L2 regularization term. Compared with the traditional method, the method based on L1/L2 norm has better adaptability to image structure, and the constructed energy functional can better describe the sharp image. For this model, an effective algorithm is presented based on alternating minimization algorithm.     

图像运动模糊还原技术综述

图像作为人类信息交流的载体,包含大量信息元素,图像在获取过程中,会因相机抖动、物体位移等原因产生运动模糊,导致图像无法正确传递信息。图像运动模糊还原技术可将此类退化图像修复还原,是当前计算机视觉及图像处理领域的热点。通过模糊核是否已知将图像运动模糊还原方法分为两类,详细阐述了图像运动模糊还原的概念,归纳梳理了近年来图像运动模糊还原技术的方法及研究现状,总结了各方法的优缺点并对经典方法实验结果进行了对比,对模糊核估计及模糊数据集等关键问题进行了分析并对其发展方向给出了建议,最后对图像运动模糊还原技术发展趋势进行了展望。     

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.     

Algorithm for the Removing Uniformed Motion Blur

Motion deblurring is one of the basic problems inthe field of image processing. This paper summarizes the mathematical basis of the previous work and presents a deblurringmethod that can improve the estimation of the motion blurkernel and obtain a better result than the traditional methods.Experiments show the motion blur kernel loses some important and useful properties during the estimation of the kernel which may cause a bad estimation and increase the ringingartifacts. Considering that the kernel is provided by the motion of the imaging sensor during the exposure and that the kernel shows the trace of the motion, this paper ensures the physical meaning of the kernel such as the continuity and the center of thekernel during the iterative process. By adding a post process to the estimation of the motion blur kernel, we remove some discrete points and make use of the centralizationof the kernel in order to accurate the estimation. The experiment shows the existence of the post process improves the effect of the estimation of the kernel and provides a better result with the clear edges.     

基于非凸的全变分和低秩混合正则化的图像去模糊模型和算法

非盲图像去模糊问题是从已知核的带噪声的线性卷积变换中恢复原始图像.如果噪声是满足高斯分布的,则可以直接使用最小二乘求解.然而在大多数情况下,去模糊问题都是高度病态的,直接求解无法做到.因此,通常的做法是通过抽取原始图像的已知统计先验信息进行正则化来帮助求解问题.两种常用的正则化是低秩和全变分.早期的相关工作单独使用这两种正则化.直到几年前,人们才考虑将这两种正则化结合起来.已有的结果表明,混合正则化模型比单一模型具有更好的性能.然而,目前的混合正则化方法只是采用凸方法,非凸的工作仍然是空白的.考虑到非凸正则化在很多种情况下都比凸正则化的效果要好,因此本文使用L1/2范数和Schatten-1/2范数提出了一种新的非凸混合模型.我们使用这两个非凸函数,因为它们的近端算子很容易计算.这种非凸混合正则化模型本质上是一个非凸线性约束问题,可以通过交替方向乘子法求解.然而,非凸性使得交替方向乘子法收敛十分困难.因此,我们转向求解原问题的惩罚问题.将交替最小化方法应用于惩罚问题就可以得到提出的算法,其中每个子步骤只涉及非常简单的计算.由于惩罚参数很大时,交替极小化算法速度会很慢,为了加速算法,针对惩罚参数我们使用了预热技术,即选取很小的初值但是在迭代过程中不断将参数增大.我们证明了该算法的收敛性.数值实验验证了本文提出的模型和算法的有效性.在非常温和的假设下,我们证明了算法的收敛性.数值实验验证了本文提出的模型和算法的有效性.     

暗像素先验的模糊图像盲复原方法

图像的盲去模糊问题是一个长期的且具有挑战性的逆问题。能否找到正确的图像先验是能否复原出高质量清晰图像的关键。因此,为了能够复原出高质量的清晰图像,找到了一种新的且有效的图像先验--图像中的暗像素先验,并提出了一种基于暗像素先验的模糊图像盲复原方法。该方法是基于模糊图像的内在本质特性所提出的,模糊图像中的暗像素是非稀疏的。在模糊过程中,清晰图像中的暗像素会因为与它周围的亮像素进行加权平衡,而导致模糊图像中暗像素的像素值增加,从而导致模糊图像中暗像素的稀疏性降低。因此,利用模糊图像中暗像素的这种非稀疏特性,能够有效区分模糊图像和清晰图像,从而实现模糊图像的盲复原。但是,基于暗像素的先验会导致一种非凸和非线性的最优化问题,为了能够有效地求解提出的模型,引入了一种最小化操作的线性近似来实现提出模型的最优化求解。大量的实验证明了该方法与近几年一些极具代表性的模糊图像盲复原方法相比,具有更好的性能。     

可学习高阶微分方程的图像盲复原

目的 图像盲复原是图像处理中的常见的重要问题之一,具有巨大的研究价值和广泛的应用。通常情况下,相机抖动,聚焦不准,环境噪声等因素都会造成图像模糊。由于图像盲复原需要同时求解模糊核和清晰图像,导致该问题是病态的而难于求解。现有的盲复原方法可以分为两大类,一类是基于最大后验概率来同时估计潜在图像和模糊核的方法,但是这样耦合在一起的方法由于先验条件和初值设置不恰当,常常会导致最终求得的是问题的平凡解,以至于盲复原的效果并不理想。另一类是基于变分贝叶斯来估计模糊核,这种方法通常是采用最大化强边图像的边缘概率,由此估计的模糊核鲁棒性较强,但是对潜在图像的强边条件要求比较高,计算复杂度和实现难度都较大。鉴于以上方法的优缺点,提出基于高阶微分方程学习的方法来实现图像去模糊。方法 借鉴传统的迭代演化方法和网络学习方法各自的优势,将网络学习到的特征（引导图像,卷积滤波器,稀疏测度）融入到高阶微分方程的演化过程中区,提出可学习的基于高阶微分方程的演化来模拟图像的演化过程。具体地,先用范数约束得到一个粗略的强边引导图像,然后将学习到的卷积滤波器和稀疏函数一起作用在当前的潜在图像上,得到一个关于图像的更好的梯度下降方向,将此作为微分方程演化的一个步骤,得到一个更为精炼的强边图像。最后用精炼的强边图像来估计模糊核。该方法可以通过先验知识和训练数据来有效地控制模糊核的估计,进而得到较为清晰的盲复原结果。结果 在图像建模层面上,用非盲复原的方法验证了本文提出的微分方程演化过程是可行的。通过和其他盲复原方法做对比,在不同的基准图像数据库上的定量的实验中,本文方法在数据库上的峰值信噪比,结构相似度分别达到30.30,0.91,误差率低至1.24;比其他方法的结果都要好,在时间上,虽然我们的算法不是用时最少的,但是和性能相当的本文的方法相比,本文算法时间消耗远比该算法少。在各种不同类型的模糊图像去模糊结果也表明了本文方法是有效的。结论 本文可学习的高阶微分方程去模糊的方法,能够有效地估计模糊核,进而更好地恢复出清晰图像。实验结果表明本文方法在各种场景中具有较高的灵活性,都能自适应地对图像去模糊。