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。

Image deblurring using an adaptive sparse gradient model