基于残差图像的迭代终止条件及其在NCSR算法中的应用

现有图像去模糊(deblurring)算法多依赖于 正则化技术以迭代逼近求解最优目标函数 方式实现关于原图像的最佳估计,由于缺乏迭代终止判定条件(ITC),这些算法通常采用固 定迭代 次数实现以至执行效率不高,同时所获得图像的质量在很多时候也未必是最佳的。鉴于在迭 代过程中每一步所获得的中间估计图像经与模糊核卷积后和模糊图像之间残差图像的亮度 值具有显著的高斯分布特点,提出使用广义高斯分布(GGD)模型为迭代过程中的残差图像建 模并以GGD模型参数值作为衡量去模糊效果的度量 (DM,deblurring measure)。基于DM,在保障去模糊图像质量的前提下,设计了ITC自适应 地终止迭代过程以提高去模糊算法的计算 效率。在经典的非局部集中稀疏表示(NCSR,nonlocally centralized sparse representat ion)去模糊算法上完成的大量 的实验表明,对于运动、高斯和失焦3种典型的模糊失真,新提出的ITC能 够有效判定在每一步迭代过程中所获得的估计图像是否已达到最佳的图像质量,从而实现 在保障去模糊图像质量的前提下大幅度提高NCSR算法计算效率的目的。所提出的ITC判定方 法具有普适性,调整相关参数后也可以应用于其它迭代型的去模糊算法。     

基于主成分分析与深度神经网络的快速噪声水平估计算法

鉴于从噪声图像分解获得的原生图块集合的协方差矩阵前若干个特征值（按照升序排序）与图像噪声水平值具有强相关性,提出了一种基于主成分分析和深度神经网络的快速噪声水平估计算法.该算法首先选用原生图块集合协方差矩阵前若干个特征值构成刻画图像噪声水平高低的特征矢量,然后在大量有代表性且已标定噪声水平值的噪声图像集合上利用深度神经网络训练预测模型以实现将特征矢量直接映射为噪声水平值,最后为获得更高的预测准确性,采用粗精预测模型相结合的两步预测方式实现.实验表明：文中算法在各个噪声级别上都具有稳定的预测准确性,且执行效率非常高,作为降噪算法的前置预处理模块具有更好的综合优势.     

基于最小特征值非线性修正的快速噪声水平估计算法

鉴于从噪声图像上提取的原生图块协方差矩阵的最小特征值与噪声水平值之间具有显著的相关性,提出一种基于多项式回归技术训练非线性映射模型,直接将原生图块最小特征值修正为最终的噪声水平预测值的快速噪声水平估计算法。首先,选择具有代表性且无失真的自然图像作为训练图像集合;然后,对这些图像施以不同程度的高斯噪声构成样本训练图像库。在此基础上,提取各个噪声样本图像的原生图块, 并使用PCA变化得到原生图块协方差矩阵的最小特征值;最后,利用多项式回归技术构建最小特征值与噪声水平值之间的非线性修正模型。实验表明,与现有算法相比,改进算法对高、中、低各级别的噪声都能鲁棒地进行预测,尤其在低水平噪声方面表现出色,在预测准确度和执行效率两方面具有显著的综合优势。