基于深度编码–解码器的图像模糊核估计

在图像去模糊问题中,显著边缘结构对图像的模糊核估计具有重要的作用.本文提出一种基于深度编码-解码器的图像模糊核估计算法.首先,通过构建训练数据集对深度编码-解码器进行训练,进而自适应地获得模糊图像的显著边缘结构;接着,结合显著边缘结构和模糊图像,利用L2范数正则化对模糊核进行估计;最后,利用超拉普拉斯先验和所估计的模糊核对清晰图像进行估计.与传统的方法相比,所提出的方法不需要多尺度迭代框架.实验结果表明,所提出的算法在获得较好的显著边缘结构以及清晰图像的同时,能够减少算法计算的时间.     

适用于迭代型去模糊算法粗精检测相结合的自适应终止机制

由于缺乏合适的去模糊图像质量度量方法,迭代型去模糊算法通常将其迭代次数简单地设置为固定值,无法在执行效率和去模糊质量之间获得最优的平衡点。为此,提出一种粗精检测相结合的迭代终止机制并将其应用到迭代型去模糊算法中以自适应地确定它们最佳的迭代次数。具体地,在每一步迭代过程中利用伪PSNR值细粒度地判断去模糊图像质量是否趋于稳定,另一方面每隔若干步利用从反向卷积残差图像中提取的统计特征值粗粒度准确地判定图像质量是否达到最佳,将两种去模糊图像质量度量方法有机结合以实现一种效率高且准确的迭代终止判定机制。评估结果显示,将所提出的粗精相结合的终止机制应用于NCSR、GSR和ADMM共三种主流去模糊算法后,执行效率可提高50%左右,而去模糊图像质量也得到了最佳保证。实验结果表明,提出的检测机制能够有效地解决各种迭代型去模糊算法因采用固定迭代次数而存在的无益迭代和过迭代问题,非常具有普适性。     

采用自适应梯度稀疏模型的图像去模糊算法

目的 图像的梯度分布被广泛应用在自然图像去模糊中,但研究结果显示先前的梯度参数估计方法不能很好地适应图像局部纹理变化。为此根据图像分块平稳的特点提出一种采用局部自适应梯度稀疏模型的图像去模糊模型。方法 该模型采用广义高斯分布（GGD）来描述图像不同区域的梯度分布,在最大后验概率框架下建立自适应梯度稀疏模型,然后采用变量分裂交替优化算法来求解模型中的最小化问题。在GGD参数估计中,先对模糊图像进行预处理,并将预处理后的图像分成纹理区和平滑区,仅对纹理区采用全局收敛算法进行GGD参数估计,而对平滑区设置固定参数值。结果 本文算法与近年来常用的去模糊去噪算法在不同类型的自然图像上进行了对比。实验结果表明,本文的参数估计法能精确地表达图像局部纹理变化,当在低噪声（加1%噪声）,分别加入模糊核1和2的条件下,经本文算法去除模糊和噪声后的图像相较对比算法能分别提高信噪比值0.042.96 dB和0.143.19 dB;在高噪声（加4%噪声）不同模糊核下,能分别提高0.194.50 dB和0.203.63 dB,同时本文算法相比2017年Pan等人提出的算法（加2%噪声）能提升0.150.36 dB。此外,本文算法在主观视觉上能获得更清晰的纹理和边缘结构信息。结论 本文算法在主客观评价上都表现出了良好的去模糊性能,可应用在自然图像和低照明图像等的去模糊领域。     

一种有效的Gk-prototypes聚类算法

针对传统的聚类算法对初始聚类中心敏感、只能对单一属性聚类且聚类效果有时欠佳等不足,提出了一种能处理数值属性和分类属性的Gk-prototypes聚类算法。在经典的k-prototypes聚类算法的基础上,利用去模糊相似矩阵来构造粗粒子集,结合粒计算和最大最小距离法确定初始聚类中心,并改进了目标函数。实验结果和理论分析表明,Gk-prototypes聚类算法与其他基于k-prototypes的改进算法相比,聚类更准确,有效性更好,鲁棒性更强。     

基于RGB通道自适应的维纳滤波图像去模糊研究

图像去模糊是针对当图像受到模糊,复原出期望的清晰图像的过程。由于图像受到模糊的程度及过程未知,很难利用精确的模糊核对图像进行复原。同时要考虑到图像的三个通道在受到模糊时的影响不一致,对维纳滤波复原图像进行了研究,提出一种基于RGB三通道下自适应的维纳滤波图像去模糊技术研究。首先对图像进行模糊核估计,求出模糊核,然后将图像分为有限个图像块,对图像进行降维,最后,通过求出的模糊核应用到维纳滤波模型中,进行图像复原。与现有的方法比较,基于RGB通道自适应的维纳滤波图像去模糊研究的方法能够得到更好的恢复效果,并有效的抑制了边界出现的振铃现象。     

全变分极端通道先验的盲图像去噪去模糊

图像先验是图像复原中求解不适定问题的关键。针对在图像具有显著噪声时,极端通道先验去模糊算法容易产生振铃伪影和无法抑制噪声的缺点,利用全变分模型可以同时抑制噪声和保护边缘的优势,提出一种有效的全变分极端通道先验的盲图像去噪和去模糊模型。首先,将全变分模型分别引入暗通道和亮通道中,用于保护图像的边缘及消除噪声或振铃伪影;其次,利用半二次分裂技术解决模型的非凸问题和估计潜在的清晰图像;最后,用迭代多尺度盲反褶积估计图像的模糊核。实验结果表明,该算法能够在抑制噪声的同时很好地保护图像的边缘细节和消除振铃伪影。相比近几年具有代表性的其他方法,该模型的鲁棒性、主观视觉效果和客观评价指标均有明显提高。     

基于多尺度网络的运动模糊图像复原算法

动态场景的非均匀盲去模糊一直是图像复原领域中的一个难题。针对目前的模糊图像复原算法不能很好地解决多样性模糊源的问题,提出了一种端到端的基于多尺度网络的运动模糊图像复原算法。所提算法使用修剪过的残差块作为基本单元,且在每一级尺度上都采用相同的非对称编解码网络。为了更好地提取输入图像特征,在编码端使用引入注意力机制的残差模块,还加入了空间金字塔池化层。编码端和解码端中间的循环单元可以获取图像的空间信息,从而利用图像空间的连续性来进行非均匀运动模糊图像的复原。测试结果显示,在GoPro数据集上所提算法的峰值信噪比（PSNR）达到33.69 dB,结构相似性（SSIM）达到0.953 7,且能够更好地复原模糊图像的细节信息,而在Blur数据集上所提算法的PSNR为31.47 dB,SSIM为0.904 7。实验结果表明,与尺度递归网络和深度层次化多patch网络相比,所提算法取得了更优的模糊图像复原效果。     

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能。为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法。将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性。为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征。此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量。实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果。     

改进的广义高斯分布与非局部均值图像去模糊

为了改善常规算法不能保留图像边缘细节信息的缺陷,获得更好的图像去模糊效果,在非局部均值图像复原算法的基础上提出一种新的基于广义高斯分布与非局部均值的去模糊算法。先对模糊图像进行小波变换,然后应用极大似然估计的方法以及经典的Newton-Raphson算法来估计出广义高斯分布模型的尺度参数和形状参数,利用这两个参数改进原始的单一根据指数函数的衰减速度和局限于一个参数来求图像权值的方法。在多个典型图像上的测试结果表明,改进算法后的图像去模糊化效果比原始的NL-means方法更优越,具有很好的应用前景。     

基于生成对抗网络的模糊工件角度检测

为提升复杂的工业生产环境中模糊工件图像的角度检测精度,对工件图像进行有效的去模糊操作,提出基于生成对抗网络的去模糊方法,该方法通过生成网络与判别网络间的对抗性训练,最小化去模糊图像与清晰图像间的距离。为避免直线错检、断线等问题,基于直线检测算法提出改进的直线检测算法。通过对比实验与数据分析发现,所提方法比多尺度卷积神经网络去模糊方法提升了约13%的检测精度。