基于变量分离和交替最小化的图像修复

提出变量分离和交替最小化相结合解决l1正则优化问题,并用于非纹理图像的修复。基于变量分离技术,该算法将目标函数的l1成分和l2成分解耦,l1正则优化问题简化为一系列非约束优化问题。除了交替最小化迭代地求解这些非约束优化问题,还引入投影法加快和简化求解过程。实验在有噪声和无噪声的情况下,用提出的算法对信息丢失30%的图像进行修复。实验结果表明：该算法可有效解决包括图像修复在内的一系列图像复原问题;与某些同类算法相比,在修复速度和修复效果方面均具有优势。     

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.     

L1-L 2正则化的图像复原交替优化算法

为快速且准确地重建原始图像,提出一种新的图像复原算法。在稀疏表示的框架下,建立图像复原问题的约束优化模型,同步估计原始图像及其稀疏表示。复原模型的目标函数包含L1-L 2双正则项,为此采用交替优化将模型分解为若干子问题,交替迭代求解这些子问题。其中不可微分的子问题,由迭代重加权方法进行处理。实验结果表明,仅需较少次迭代该算法即可获得原始图像及其稀疏表示的最优估计。与某些优秀的同类算法相比,该算法的速度更快,复原图像的质量更高。     

基于小波域隐马尔可夫树模型的图像复原

从图像复原的Bayesian方法出发,提出一种基于小波域隐马尔可夫树(HMT)模型的线性图像复原算法,小波域HMT模型采用混合高斯模型刻画各子带系数的概率分布,并通过小波系数隐状态在多个尺度之间的Markov依赖性来刻画自然图像小波系数随尺度减小而指数衰减的特性,由于小波域HMT模型准确刻画了自然图像小波变换的统计特性,该文算法以此作为自然图像的先验模型,将图像复原问题转化为一个约束优化问题并用最速下降法对其进行求解,同时,提出了一种规整化参数和HMT模型参数的自适应选择方法,实验结果表明,基于小波域HMT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视觉效果方面都有明显的提高。     

基于关键帧间矩阵约束的多帧湍流图像盲复原

针对传统多帧湍流图像复原耗时长及观测帧序列空间不齐时需匹配的问题,论文提出一种基于关键帧间矩阵约束的多帧湍流图像盲复原算法.该算法首先对观测序列自适应提取关键帧,然后在频域内分别构造估计原始图像和点扩散函数的代价函数方程,利用关键帧间矩阵约束指导点扩散函数复原,通过各向同性总变分模型约束指导图像复原,采用变量分离和增广拉格朗日方法对代价函数交替迭代优化,以达到快速性估计点扩散函数和恢复图像.仿真实验结果表明,论文提出的算法对图像复原质量有所提升,能求得更接近真实的点扩散函数值,且对未匹配的图像序列依然能达到良好的复原效果.     

面向全变分图像复原的增广拉格朗日方法综述

图像复原旨在根据退化图像重建高品质原始图像,其复原的质量和速度问题一直都是图像处理领域研究的重要方向。由于其图像边缘保持特性,全变分（TV）最小化模型在图像复原领域取得了很大的成功。然而,全变分图像复原是一个典型的非光滑优化问题,需要发展相应的快速优化算法,而增广拉格朗日方法（ALM）则是近年来发展起来的一类代表性方法。结合相关进展,综述了全变分图像复原模型,变量分裂（VS）法和典型ALM算法,并通过实验从CPU运行时间、峰值信噪比（PSNR）和品质评价等方面分析了不同的变量分裂和ALM方法对图像复原性能的影响。     

基于稀疏表示的多正则优化图像复原

由于单正则化图像复原算法所利用的先验信息有限,影响了复原图像的质量。为克服此类算法的不足,融入更多的先验信息,改善图像复原的效果。在稀疏表示的理论框架下,提出了一种多正则优化图像复原算法。该算法将图像复原表示为含多正则项的全局优化问题,为有效处理这一复杂的图像复原问题,采用交替优化策略并借助变量分裂将其分解为若干优化子问题。其中,[uj+1]子问题可微,可直接得到其解析解。不可微的[wj+1]和[vj+1]子问题,则通过邻近映射求解。实验过程中对三种不同类型的退化图像进行了复原,所得结果验证了该算法的有效性。与FISTA（Fast Iterative Shrinkage-Thresholding Algorithm）和Split Bregman等单正则化图像复原算法相比,所提算法的复原效果和时间性能更优。     

基于变量分离和加权最小二乘法的图像复原*

为提高图像复原的质量和速度,提出一种新的图像复原算法。首先基于变量分离技术,加入新的约束条件,建立解决图像复原问题的目标函数;然后利用交替最小化方法,将目标函数的优化分解为两个交替迭代的过程,以获得图像复原问题的全局最优解。在求解分离得到的新变量的过程中,引入迭代重加权最小二乘法(IRLS)处理L1范式的不可微分问题。实验结果表明,提出的算法有效地解决了图像复原问题;与同类的一些算法相比,该算法在复原速度和复原效果方面均具有优势。     

利用方向延伸专家场的单幅雾天图像复原

针对已有单幅雾天图像复原算法存在的局部方向性结构信息描述不充分,易导致复原后景物局部细节模糊或丢失的不足,提出一种基于方向延伸专家场的单幅雾天图像复原算法.首先基于大气散射模型获得粗略的大气光传输图估计,并在此基础上建立方向延伸专家场模型对大气光传输图进行优化;为避免在图像景物高亮度区域出现失真现象,利用无黑点约束算法对大气光传输图进行约束及调整,再根据图像中景物的梯度先验信息获取位于无穷远区域的像素集,由此估计出大气光强值;最后根据大气散射模型反向求解,得到复原后的场景图像.实验结果表明,该算法不仅可以显著地改善景物的细节信息、提高图像清晰度,并且恢复后的景物颜色更加自然、真实.     

基于稀疏正则优化的图像复原算法

为提高图像复原的速度,改进图像复原的质量,提出一种新算法。将图像复原表示为一类标准的优化问题,采用交替最小化把该优化问题分解为等价的两个子问题。通过迭代求解这两个子问题,获得图像复原问题的解。在此迭代过程中,引入迭代软阈值法处理图像降噪子问题。实验对不同类型的模糊图像进行了复原,其结果验证了算法的有效性。与多级阈值Landweber(MLTL)算法和快速收缩阈值算法(FISTA)相比,处理相同图像时,所提算法可分别节省28%和71%的时间,同时复原图像的信噪比(SNR)可提高0.7~3.5dB。     

基于调和模型的快速神经网络图像复原算法

针对传统神经网络图像复原算法在复原过程中模糊图像边缘,收敛速度慢等不足,提出一种基于调和模型的快速神经网络图像复原算法.在该算法中,图像复原模型的正则化项采用调和模型,并在每次网络状态更新时引入最陡下降方法,使得网络能量迅速减小.实验表明,提出的算法能够很好复原图像的边缘特征,并具有快速收敛等优点.     

基于Radon变换的运动模糊图像恢复

提出了一种快速自然运动模糊图像恢复算法,采用一种新的基于Radon变换算法来确定模糊核函数;在确定模糊核函数后,对于模糊图像的恢复采用了一种改进的基于l1范数和l2范数混合保真项的变分图像恢复算法。实验结果表明,与Fergus的算法和Levinss的算法比较,所提算法对于一类线性运动占主要因素的强噪声模糊图像的恢复具有更快的速度和良好的恢复效果。     

模糊推理最大熵图像恢复算法

与线性恢复算法相比,基于最大熵的图像恢复算法具有更好的图像恢复效果,但其收敛速度较慢。为了提高最大熵图像恢复算法的收敛速度,首先给出了算法的非周期反卷积模型,然后采用模糊推理系统在线确定算法的迭代步长。由于采用了可变步长,因此极大地提高了算法的收敛速度。仿真实验表明提出的算法收敛速度快,图像恢复效果好。     

基于大气物理模型的快速视觉优化去雾算法

针对雾霾天气条件下单幅图像降质以及现有去雾方法时间复杂度高的问题,以环境光物理模型为基础,引出快速视觉优化去雾算法.首先对单幅图像阈值分割找到天空区域,并结合二叉树模型定位精确的天空光矢量,进而采用改进的约束最小二乘法滤波细化粗略透射比率,保证其边缘细节较完整且受噪声影响小,最后利用环境光物理模型实现无雾图像的还原,并采用平均梯度、信息熵和视觉保真度等指标对图像进行评价.实验结果表明,所提算法与基于多尺度Retinex的自适应图像增强方法、基于独立分量的复原方法、快速可视化复原方法和暗原色先验复原方法对比,指标值较好且实时性强.     

一种改进的受限制自适应图像复原算法

利用Wiener滤波或约束最小二乘方法复原的图像在图像灰度值发生跳变处会出现振铃式的波纹。受限制自适应图像复原算法对复原和平滑加以局部的适应性控制,有效地克服振铃波纹。在受限制自适应图像复原算法的基础上,通过提高加权数组的精细程度,改善复原的自适应控制能力,采用Neumann边界条件消除边界截断引起的寄生波纹。实验结果表明改进算法的复原效果较优。