基于空域正则化的模糊图像复原方法

以解决病态问题的正则化技术为基础,针对模糊图像的复原问题提出了一种新的空间域复原方法。在空间迭代运算中引入自适应的正则化参数,使其自动修正到最优,通过锐化图像进行后续处理,由此增强了原图像中重要的信息及边缘纹理部分。计算机仿真结果表明,与传统的迭代正则化方法相比,该方法的复原图像在改进信噪比数值(ISNR)和主观视觉效果上都有明显提高。     

图上自适应正则化的图像去噪

自适应正则化方法在不同的局部区域能够选取不同的正则化参数和正则化约束,因而能够灵活地对边缘和噪声进行区别处理。将自适应正则化建立在图上,提出了一种定义在加权图上的,具有自适应参数的正则化模型。用nonlocal means 算法构造图的权重函数,用建立在图上的自适应正则化方程实现图像的去噪处理,仿真实验结果表明：该方法能有效地去除图像中的噪声,在去噪性能上优于部分基于图论的偏微分方程方法。     

基于空间自适应正则化的超分辨率重建算法

针对模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率重建算法。该算法充分考虑了图像的局部特性,引入了空间自适应加权矩阵,采用全局正则化参数与局部正则化参数矩阵相结合的方法,弥补了传统正则化方法所带来的正则化误差以及噪声放大误差。实验结果表明,该算法能够有效地减少重建误差,保护图像的细节信息。     

一种权重的高阶扩散图像盲复原方法

为了实现对模糊噪声图像的清晰化盲复原,提出了一种权重的高阶扩散图像盲复原方法。首先,在模糊核的估计阶段,运用一种各向异性扩散的图像结构提取策略和shock滤波器将图像中的强边缘准确地提取出来,并利用提取的图像强边缘实现对模糊核的准确估计;然后,在图像的复原阶段,利用高阶扩散模型和权重平衡参数,针对复原图像,提出了一种权重的高阶正则化约束来实现图像的清晰化复原;最后,运用了一种分裂的布雷格曼(split Bregman,SB)最优化迭代策略对提出的方法进行最优化求解。实验结果表明,较近几年的一些具有代表性的图像盲复原方法相比,不仅主观的视觉效果得到了较为明显的改进,而且客观的峰值信噪比也增加了1.0~2.7 dB。     

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.     

一种基于L曲线准则的正则化图像复原算法

针对因大气湍流而引起的模糊图像的复原问题,通过对偏差函数添加正则函数以使得要求解的方程组是适定的. 以偏差函数和正则化函数为坐标,得到复原图像关于正则化参数的参数曲线,用三次多项式拟合了该曲线的左端部分,并以该曲线的最大曲率点对应的参数为最优正则化参数. 当图像边界满足周期性条件时,利用傅里叶矩阵可以将分块循环矩阵对角化,进而利用二维离散傅里叶变化和反变换求解线性方程组而得到复原图像. 实验结果表明,当噪声方差较小时,可得到比较满意的复原结果.      

基于广义交叉检验的自适应约束最小二乘图像恢复

现有的图像恢复方法中有一部分需要正则化系数,而正则化系数估计的准确与否是决定恢复图像质量好坏的关键,为了能够自适应地恢复图像,研究了约束最小二乘算法的图像恢复问题,提出了应用广义交叉检验方法估计约束最小二乘算法中的正则化系数．实验结果证明,用该算法估计的正则化系数恢复图像质量更佳,速度比普通的迭代方法快,而且该最小乘图像恢复方法实现了图像自适应图像恢复．     

一种基于PDE的多幅图像超分辨率复原算法

基于超分辨率复原问题,提出一种新的基于偏微分方程(PDE)的多幅图像超分辨率复原算法。该算法根据图像局部特征的不同,引入先验约束项,通过梯度下降法求解图像超分辨率复原的正则化问题。算法分为基于PDE的平滑扩散、锐化增强和保真约束3部分。实验结果表明,该算法能够有效地提高复原图像的主观视觉效果和客观保真度。     

基于布雷格曼迭代的稀疏正则化图像复原方法

为了实现模糊噪声图像的清晰化复原,提出了一种基于布雷格曼迭代的稀疏正则化约束的图像复原算法。首先,运用差分算子,得到图像中各个方向上的梯度信息;然后,利用提取的梯度信息,得到图像边缘各个方向上的权重;并结合稀疏性原理,针对复原图像,提出了一种权重的稀疏性正则化约束;最后,运用了一种布雷格曼迭代(Bregman Iteration,BI)策略对提出的方法进行最优化求解。实验结果表明,较近几年的一些具有代表性的图像复原方法相比,不仅主观的视觉效果得到了较为明显的改进,而且客观的信噪比增量也增加了0.3~2.5 dB。     

基于微分流形的图像复原方法

<正>则化是图像复原领域为获取理想复原结果,将图像复原的优化模型与约束条件整合为统一的优化目标的重要手段.针对传统正则化复原模型中仅基于单一先验的假设的不足,提出了流形正则化的方法,将图像空间看作一个"弯曲"的图像流形,通过修正绝对高斯曲率和对图像中的不同特征进行标识和分类,然后针对不同特征区域采用不同的先验形式进行正则约束,并针对多种正则化约束的模型设计了基于E-M算法的交叉迭代图像复原方法.实验验证了该方法在去噪和去模糊方面取得了比经典全局单一范数约束方法更好的信噪比.     

确定隐含波动率的总变分正则化方法

求解隐含波动率是一个典型的PDE反问题,传统的Tikhonov正则化方法往往导致解的过度光滑化.基于波动率的跳跃性、隔夜周末效应等及总变分正则化方法具有较好地保持图像边界的优点,本文以Black-Scholes理论为框架,把确定隐含波动率问题转化为一个抛物型方程的终端问题,进一步提出求解隐含波动率的总变分正则化方法,并证明了解的存在性.     

一种改进的图像自适应非线性滤波方法

针对图像的保边光滑问题，分析了Perona-Malik(PM)方程的非线性滤波扩散行为，利用保边正则化思想给出了由一种新的各向异性扩散方程所决定的图像自适应光滑算法。这种新的各向异性扩散滤波方法与PM方程的不同之处在于：扩散系数不是直接来源于图像的梯度幅值，而是在图像梯度模基础上恢复出图像的边缘信息。实验结果表明，所提方法对图像边缘的恢复结果要比PM的方法具有更高的可靠性和准确性。     

基于PDE的图像分解与边缘检测的一种新方法

Luminita A.Vese和Stanley J.Osher提出的卡通—纹理图像分解模型,能将一幅自然图像中的卡通部分和纹理部分分开,但是分解不完全,卡通部分还含有一些纹理信息且边缘容易被模糊。在Vese和Osher卡通—纹理分解模型的基础上,运用半二次规整化方法,得到联合图像分解与边缘检测的新模型。并讨论了其中边缘正则项的三种形式。数值实验表明新模型C使得卡通—纹理分解与边缘提取同时进行,在保持卡通图像较好光滑性的同时,能有效地保护边缘细节的信息,使得图像分解更彻底,提取的边缘信息更准确。     

一种改进的正则化空域图像复原新方法

图像复原技术主要是针对降质模糊的图像,其最终目的是改善给定图像的图像质量.在原有正则化空域图像复原方法的基础上,根据人的视觉系统的特点,提出了一种改进的自适应正则化空域图像复原的新方法,针对各像素点所处的不同图像区域类型分别选取不同的拟和项参数和正则化项参数,通过计算各图像像素点的局部方差来确定该像素点的拟和项和正则化项的参数值.实验结果表明,该方法不仅提高了图像复原的质量,同时也没有影响代价函数收敛的速度.     

相位一致性加权的引导图像滤波去噪算法

针对传统引导图像滤波算法采用固定的正则化参数规整化因子造成光晕伪影现象的问题,提出一种相位一致性加权自适应规整化因子的改进引导图像滤波算法.因图像不同区域的纹理特性不同,利用相位一致性能够获取图像丰富的特征信息和精确的特征定位,对原有的规整化因子在不同区域通过惩罚自适应调整规整化因子,保证了图像降噪效果同时进一步保持边缘清晰.实验采用结构相似性因子(SSIM)与PSNR作为算法的定量评估指标.结果表明,采用相位一致性作为加权值规整化因子,有效地避免了传统引导图像滤波的光晕伪影现象,相对于传统引导图像滤波算法,降噪性能有一定提高,还能够很好地保持边缘细节信息.     

对图像处理中ROF全变分模型的两种算法的比较研究

全变分图像去噪问题的本质是一类基于全变分的约束极小化模型.其中最经典的模型是由Rudin-Osher-Fatemi提出的ROF模型[1].在这一模型中,正则化参数的选取直接影响到图像恢复的效果,当给定一个适当的正则化参数来平衡数据拟合和正则解时,可以得到十分理想的结论.在过去的二十年中,通过对这一模型的研究,产生了各种有效的算法.不同的算法通过调节正则化参数,都在不同程度上达到了去噪的目的.本文中,应用两种算法：梯度下降法和分裂Bregman算法,对带噪声图像进行了数值仿真和比较,结果显示分裂Bregman算法能够达到更好地去噪效果.     

算子及观测数据都非精确情况下一种新的正则参数选择方法

在考虑算子及右端项都扰动的情况下,研究求解第一类算子方程的正则参数选择方法.提出了一种新的正则参数选择策略:即修正的广义偏差原则(MGDP)并进行了理论分析,数值试验则进一步证明了该方法的有效性.