印刷电路板的图像分解去噪算法

为了改善印刷电路板(PCB)图像的视觉效果,提出基于图像分解的自适应加权L1范数和L2范数的PCB图像去噪算法。首先,将PCB噪声图像分解为结构和纹理两部分,其次设计一个自适应加权L1-L2范数正则化去噪模型。由于结构部分主要是分片平滑区域,体现PCB图像的整体框架,适合用L2范数各向同性去噪模型。纹理部分主要是高频信息,体现PCB图像的细节特征,适合用L1范数各向异性扩散正则化去噪模型。针对结构和纹理两个不同部分,设计自适应权函数,自动调整L1-L2范数正则化去噪模型中L1范数和L2范数的权值,然后,利用Bregman迭代算法得到最优的去噪效果。实验结果表明:与近年以来的相关经典去噪算法相比,利用新算法所得去噪图像的主观视觉效果更好,客观评价指标中的结构相似度可以提高27%以上,信噪比可以提高1 d B以上。     

基于L1范数和自适应全变差的椒盐噪声图像去噪

针对经典全变差模型在进行椒盐去噪时不能有效保留图像边缘信息的问题,提出一种基于L1范数和自适应全变差正则化的椒盐噪声图像去噪方法.该方法在全变差和图像去噪模型的基础上构建了显式椒盐去噪模型,利用噪声像素的平均值计算自适应正则化参数,并有效保留图像边缘信息,使用原始对偶梯度算法求解显示模型,使所求得的数值解更加接近原始图像.实验结果表明:与其他方法相比,本文方法在PSNR和SSIM方面均优于对比的方法,可以有效去除高密度椒盐噪声.     

一种基于Geman & McClure范数的超分辨率图像复原算法

超分辨率图像复原是病态反问题.采用Geman McClure范数来构造数据拟合项,并且在经典的双边全变分(Bilateral total variation,BTV)正则化模型基础上,提出了一种能更有效利用方向信息的正则化模型,该模型根据迭代次数来自适应选择正则化参数.实验表明,该方法比采用L1范数和L2范数能更好地抑制噪声和保持边缘,在视觉效果和峰值信噪比(Peak signal noise ratio,PSNR)两个方面都有一定的提高.     

Logistic回归正则化的改进ADMM算法

目的研究不同正则项(L1正则项、L2正则项、L1-L2正则项和Huber正则项)下的Logistic回归问题。方法利用子问题线性化的方法为标准ADMM(Alternating Direction Method of Multiplier)算法提供一组初始可行解,并将初始可行解代入ADMM算法。结果与结论数值实验表明本文提出的改进算法在一定程度上缩短了标准ADMM算法的计算时间,提高了标准ADMM算法的计算效率。     

一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于L1正则模型得到的解时常不够稀疏,重建图像质量有待进一步提高的问题,采用L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.     

基于L1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法.采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度.     

基于偏微分方程扩散系数的图像去噪研究*

在偏微分方程P-M模型图像去噪过程中,扩散系数的选择会影响图像去噪的效果;为此提出了一个新的扩散系数模型来实现图像去噪.首先分析讨论了P-M模型中扩散系数和梯度阈值的选取对图像去噪的重要性;并对比了两个扩散系数的优点和缺点,在此基础上提出一个新的扩散系数;并应用到正则化P-M模型和四阶偏微分方程YK模型中进行数值离散实验.实验结果表明,采用新的扩散系数在正则化的P-M模型和YK模型的去噪效果教好,提出的扩散系数能够有效地进行图像去噪.     

基于多字典 L1/2 正则化的超分辨率重建算法

为详细表达图像高频细节信息, 提高重建图像质量, 提出了一种基于多字典 L1 /2 正则化的超分辨 率重建算法。 该算法在稀疏重建字典对训练阶段, 为有效提取低分辨率图像边缘、 纹理等特征细节信息, 采用改进的一阶二阶导数方法对低分辨率图像进行特征提取; 而在图像重建阶段, 为解决基于 L1 正则模 型得到的解时常不够稀疏, 重建图像质量有待进一步提高的问题, 采用 L1 /2 范数代替 L1 范数构建超分 辨率重建模型。 实验表明, 与现有算法相比较, 该算法可更好地表达图像细节部分信息, 并能提高图像 的重建质量。     

基于Huber函数双边全变分的多帧文档图像超分辨率重建

针对低分辨率文档图像中噪声模型不确定、字符边缘和纹理走向复杂多变的问题,提出GemanMcClure(GM)范数替代L1、L2范数用于提高算法的鲁棒性,设计了结合双边全变分(BTV)和Huber函数的正则化项,采用Lucas-Kanade光流配准算法,利用字符结构特征的先验信息,使算法在重建过程中更加注重边缘细节与边缘方向信息。实验表明,与L1BTV、L2BTV和无Huber函数的GMBTV正则化(下文简称GM方法)重建方法相比,文中算法在混合噪声模型下能够显著平滑噪声、锐化边缘、提升文档图像字符的分辨率,字符识别率提高14.69%的同时运算时间缩短了29.34%。     

基于方向信息测度的非局部正则化图像去噪方法

针对非局部正则化在图像去噪过程中计算复杂度高、复原速度慢的问题,基于方向信息测度提出了改进的非局部正则化方法.在图像的边缘轮廓区域使用保边性能较好的非局部正则化方法,而在图像的平坦区域使用各向异性全变差模型,且该全变差模型由基于Bregman迭代正则化方法的快速迭代算法进行求解.实验结果表明:基于方向信息测度的非局部正则化方法在快速消除图像噪声的同时,能有效地保留图像的边缘和纹理等结构信息.