一种基于Lp范数的自适应图像去噪模型

为了克服L2范数的去噪模型不能保持图像边缘和L1范数的总变差(total variation,TV)模型容易引起梯子现象的缺陷,提出了一个基于Lp(1≤p≤2)范数的自适应模型,并且给出了自适应函数p(x,y)的构造公式.将Primal-Dual方法应用到自适应模型的求解中,给出了求解自适应模型的公式.数值试验结果表明,自适应模型在去除噪声的同时保持了边缘的信息,且能削弱梯子现象,所恢复的图像在信噪比等方面比原来的两种模型有较大的改善.     

自适应的L1-L2范数正则化图像去噪方法

提出了一种自适应的L1-L2范数正则化图像去噪方法.相比传统的L1范数正则化与L2范数正则化,新方法有效消除了阶梯效应,同时较好的保持了图像边缘信息.为了提高计算效率,将Split Bregman算法框架应用到提出的模型中,有效的提升了收敛速率并减少了计算时间.实验结果与分析验证了L1-L2范数正则化模型在图像去噪效果与计算效率的有效性.     

基于局部自适应约束的图像恢复模型

针对基于自适应Lp范数的图像恢复(adaptiveLpnorm based image restoration,ALPIR)模型在恢复图像时引入"阶梯"效应的问题,提出了一个基于局部自适应约束的图像恢复模型."阶梯"效应的产生与ALPIR模型的Lp范数自适应方案性能密切相关;在新模型中,依据人类视觉感知特性,采用图像方向信息测度和局部方差表征图像的边缘特征,利用可见度函数构建了一个新的自适应方案确定Lp范数.实验结果表明,新模型在恢复图像的同时很好地保持了图像的边缘细节,有效地抑制了"阶梯"效应,综合性能优于ALPIR模型.     

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.     

基于L_p稀疏正则的图像去模糊方法研究

在图像去模糊问题中,图像的模糊核估计是重中之重.通常图像的梯度服从重尾分布这一先验被广泛的运用于图像的模糊核估计中,然而受限于非凸优化的数值求解方法,人们往往采用图像梯度的L1范数或者L2范数来近似,从而构造出计算较为简单的凸优化能量函数来估计模糊核.为此,本文提出一种基于Lp稀疏正则的非凸优化的模糊核估计方法,该方法以服从超拉普拉斯分布的图像梯度的Lp范数为稀疏先验项,有效的提高了先验知识的准确性的同时增强图像的强边缘,抑制了细小边缘对模糊核估计的影响.在对Lp范数的数值求解问题中,本文采用GISA(generalized iterated shrinkage algorithm)可以简单且有效的求得任意p值下的最优解.实验表明与传统方法相比,本文方法有效地提升图像的质量,去模糊后的图像更加清晰.     

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.     

基于正则化与保真项全变分自适应图像去噪模型

分析了自适应范数的变分去噪模型与自适应可信度参数变分去噪模型优缺点,提出了一种同时基于范数p与可信度参数λ全变分自适应图像去噪模型.在该模型中,扩散行为的参数p(x,y)由图像局部梯度决定,可信度参数λ(x,y)大小取决于当前处理位置对应残差图像的特性.实验结果表明,本模型在去除噪声的同时更好地保留图像的细节信息,且峰...     

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。     

基于自适应TV_p正则化图像恢复方法

为了解决图像恢复时所引起的阶梯效应和边缘模糊问题,定义可变TV_p范数,提出一个自适应TV_p(Adaptive TV_p,ATV_p)正则恢复模型,并结合AOS数值计算方法,给出完整的ATV_p正则恢复算法,其中p可以自动区分图像中的边缘和平坦区域,自适应选择不同的数值,使得新模型在恢复的同时不仅能够自适应的对图像中目标边缘进行有效的保护,而且可以避免出现阶梯效应。实验表明,和主要的一些正则模型相比,本恢复算法对模糊图像的恢复无论在视角效果还是定量指标上都有了明显的改进。     

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.