基于多正则化约束的图像去运动模糊

针对图像去运动模糊问题的病态性,已有的方法通常引入对图像的正则化约束从而缩小解空间范围使其良态化,但单一的正则化约束并不能很好地估计点扩散函数和复原原始图像。基于此,本文提出一种基于多正则化约束的图像去运动模糊方法。首先,根据图像梯度符合重尾分布的特性,采用归一化的超拉普拉斯先验项作为对图像先验约束的正则项。其次,分析描述图像运动模糊的点扩散函数的内在特性包括稀疏性和连续光滑性;同时,采用点扩散函数自身的L₁范数保证其稀疏性并作为其中一项点扩散函数先验约束的正则项,采用Tikhonov正则化约束保证其连续平滑性并作为另一项点扩散函数先验约束的正则项,避免估计的点扩散函数中存在孤立的点。由于所建立的正则项虽然不可微但其是非严格凸函数,故引入辅助变量采用分裂法和交替求解法对所建能量方程进行求解,并利用小波软阈值公式求解辅助变量。本文方法对合成的运动模糊图像和实际相机抖动造成的自然模糊图像均进行实验,实验结果验证了该模型和求解算法的有效性和快速性。实验结果表明,本文方法提高了点扩散函数估计准确度,同时提高了复原图像质量,具有较好的复原效果。     

基于自学习的稀疏正则化图像超分辨率方法

如何设计既能够保持边缘与纹理结构又具有较低计算复杂度的图像超分辨率算法是目前该领域有待解决的难点问题。在Bayesian统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性,稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。为使稀疏域更好地表征高分辨率图像,选取高分辨率图像块的高频特征进行稀疏表示,由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中,即直接从当前估计的高分辨率图像特征块学习词典,与从训练样本库中学习词典相比,这种自学习的方法对不同图像的自适应性更强,并且减少了运算量。实验结果表明,该方法可以重建清晰的图像边缘,减小振铃效应,并且对噪声具有很好的鲁棒性。     

超拉普拉斯重叠组稀疏先验的稀疏角度CT重建

对于稀疏角度下的投影数据,计算机断层扫描在图像重建中容易出现伪影和噪声较多的问题,难以满足工业及医学诊断要求。本文提出一种基于重叠组稀疏和超拉普拉斯先验的稀疏角度CT迭代图像重建算法。其中重叠组稀疏反映图像梯度稀疏性,从图像梯度的角度考虑相邻元素之间互相重叠交叉的关系。而超拉普拉斯先验能够精确地近似图像梯度的重尾分布,能够使得重建图像整体的质量提升。本文提出的算法模型采用交替方向乘子法,主分量最小化法和梯度下降法求解目标函数。实验结果表明,在稀疏角度CT重建的条件下,本文提出的算法在保留结构细节、抑制图像重建过程中产生的噪声和阶梯伪影方面有着一定的改善。

     

基于超拉普拉斯模型的运动去模糊算法*

通过分析自然图像梯度统计的长尾分布特性,提出一种基于超拉普拉斯模型的图像运动去模糊算法。该算法使用分步交替迭代最小化办法优化能量方程,并在优化过程中采用了查询表法快速求解图像反卷积。实验结果表明,该算法可以在数秒时间内处理完成一幅中等大小的图像,并获得较优的复原结果,其复原效果和对振铃现象的抑制均优于维纳滤波法和Richardson-Lucy复原法。