基于自适应正则化的序列图像超分辨率复原

基于序列图像的超分辨率复原算法能够利用更多的先验信息,复原效果明显优于基于单帧图像的复原算法,目前已经成为图像复原领域的主流研究方向.本文提出了一种基于自适应正则化的序列图像超分辨复原方法,能够充分利用序列图像的先验信息,有效抑制了复原图像中存在的振铃效应.同时,本文算法可以更好地恢复图像边缘信息,较好地平滑噪声,得到的复原图像与Hardie等提出的非均匀插值算法的复原效果相比,在峰值信噪比以及主观视觉效果方面均有所提高.实验结果表明,本文所采用的方法能够达到较好的复原效果,是可行和有效的.     

Richardson-Lucy与调制核相结合的图像复原方法

针对模糊含噪图像,提出了一种新的图像复原方法.该方法通过将调制核算法和Richardson-Lucy算法相结合,先对模糊含噪图像运用调制核算法去噪,提高图像的信噪比,然后运用Richardson-Lucy迭代算法复原图像.克服了单纯使用Richardson-Lucy复原算法由于反复迭代所带来的噪音放大问题,并通过实验进行了验证,发现该方法能够使复原效果得到明显改善.     

一种改进的NAS-RIF图像盲复原算法

针对模糊含噪退化图像的盲复原处理,文章以NAS-RIF算法为基础,对其存在的抑制噪声不理想的缺陷进行了相应改进.首先采用基于最小二乘支持向量机的去噪方法对退化图像进行预处理,在抑制噪声的同时保持图像的细节特征,进而在每次复原迭代过程中加入低通滤波环节,进一步减少噪声对代价函数收敛的影响,提高复原图像的信噪比.另外,对退化图像使用了阈值分割技术确定图像支撑域,保证复原的准确性.实验结果表明,改进的NAS-RIF算法抗噪声干扰的能力比原算法有显著的提高.     

基于随机共振和维纳滤波的图像复原技术研究

随机共振不同于维纳滤波等传统信号处理方法,在非线性系统作用下,能利用噪声实现对强噪声背景下弱信号的处理。考虑到随机共振与维纳滤波算法的优势和不足,提出和实现了基于双稳态随机共振与维纳滤波的图像自适应复原增强算法;该算法在利用行列扫描对图像进行降维的基础上,引入拉伸变换提升图像质量;并经维纳滤波进行优化处理。仿真结果和实际应用表明:所提算法具有很好的鲁棒性,无论是复原低信噪比信号还是高信噪比信号,复原效果都优于维纳滤波和小波变换等传统复原算法和基于双稳态系统复原算法。在噪声滤除及提升图像对比度和清晰度上具有更好效果,特别是在复原被强噪声污染的信号,即信噪比很低的信号时,所提算法抑制噪声能力更强,复原效果更好。该算法克服了随机共振处理高信噪比信号效果不佳和鲁棒性差等问题,在弱信号提取,特别是强噪声和暗环境下的图像处理方面具有一定的应用前景。     

基于倒频谱的无噪声运动模糊图像快速复原算法

针对当前运动模糊图像复原算法主要集中在非实时性研究,着重考虑算法的执行质量而不考虑算法执行效率的问题,提出了基于倒频谱的无噪声图像的快速复原算法.该算法对无噪声模糊图像进行倒频谱处理,从倒频谱图中直接得到图像的模糊方向和模糊距离.对于尺寸较大的图像,在执行倒频谱算法前先使用双线性插值算法实现图像压缩,再进行倒频谱操作.通过比较各种复原算法的执行效率及效果,采用维纳滤波对图像进行复原.通过对多幅模糊图像进行仿真复原试验,在获得了良好的复原效果的同时也取得了较高的执行效率.     

基于分区的改进维纳滤波图像复原

图像复原技术是图像处理技术中的关键研究内容。由于相机散焦、相机与目标相对运动和噪声等诸多因素的影响,图像质量有所下降。本文针对经典维纳滤波复原方法存在的局限性,提出一种基于分区的改进维纳滤波复原方法。在视觉效果上,该方法不仅可以很好地削弱伪像和抑制噪声,而且能够保持图像边缘。对使用经典方法及改进方法的复原的图像进行进行峰值信噪比评价,结果表明改进方法的峰值信噪比较传统方法有所提高。     

基于图像块相似性和补全生成的人脸复原算法

图像获取过程中,由于成像距离、成像设备分辨率等因素的限制,成像系统难以无失真地获取原始场景中的信息,产生变形、模糊、降采样和噪声等问题,针对上述情况下降质图像的复原问题,提出了适用于低分辨率,低先验知识情况下的人脸复原方法,通过基于图像相似性的期望块log相似性EPLL (expected patch log likelihood)框架来构建人脸复原效果的失真函数,利用生成对抗网络的图像补全式生成过程来复原图像。所提算法在加噪率50%以及更高情况下可以保持较好的人脸图像轮廓与视觉特点,在复原加噪20%的降质图像时,相比传统的基于图像块相似性的算法,本文算法复原结果的统计特征峰值信噪比PSNR (peak signal-noise ratio)与结构相似度SSIM (structural similarity)值具有明显优势。     

一种基于关联向量回归的盲图像复原

提出一种基于关联向量回归模型的盲图像复原算法.用模糊噪声图像作为训练集合,由此得到关联向量回归模型.该模型可用于恢复受不同类型模糊和不同噪声污染的图像.实验结果表明:同其他盲复原算法相比,该算法对点扩展函数(PSF)类型和噪声都有较强的鲁棒性.同时,从改善信噪比大小和主观视觉两个方面,该算法都能取得良好的复原效果.     

基于坐标变换的相向运动图像模糊复原方法

针对递归计算自身产生的残差以噪声形式出现在复原后辐射状模糊图像上的问题,研究了一种通过坐标变换和空域点运算获得图像退化模型,进而对该模型求逆复原辐射状模糊图像的新方法.使用扇形网格进行了图像的重新采样,在此基础上,根据图像退化过程推导出了图像退化模拟矩阵;使用最小二乘法作为约束条件对重新采样的图像进行了复原.结果表明,该算法简单,复原图像清晰,可以用以进行图像辐射状模糊的复原.     

用于图象复原的离散L-曲线自适应算法

描述了一种自适应的离散L-曲线正则参数的计算方法,正则化方法为截断奇异值分解法.该算法不需要预置参数,能够滤除L-曲线上的局部特征,略掉局部拐点,确保了解的收敛.在不同的噪声背景下以及不同尺度下我们进行了数值测试,并将测试结果与最优正则解进行对比分析.实验表明,该算法对图像的复原效果、可靠性和稳定性要优于传统的算法.     

基于小波变换和数学形态学的图像分割算法

传统的分水岭变换由于对噪声和细密纹理的敏感会产生严重的过分割现象,为了克服这种缺点,提出了一种基于小波变换和数学形态学的图像分割算法.该方法首先利用小波变换去除红外图像的混合噪声,利用形态学开闭重建运算消除梯度图像中由于灰度非规则扰动和噪声引起的局部极值;最后通过采用基于前景和背景标记的分水岭分割算法进行分割.仿真实验表明,该算法可以实现更好的分割效果,不需要再进行后续的合并处理就能够得到较为理想的结果.     

基于先验信息的全变分图像复原算法

为了提高全变分模型的图像复原效果,提出一种基于先验信息的全变分图像复原算法.首先,采用能够有效保护滤波后图像结构信息的非局部均值算法对模糊退化图像进行滤波以减少其中所含噪声,获取滤波后的先验图像信息.然后,构建基于该先验信息的全变分图像复原模型,该模型不仅保留了全变分模型对复原图像边界信息的保护优势,也保留了非局部均值的结构信息保护优势.最后,采用分裂Bregman交替方向乘子迭代算法对所提模型进行优化,得到复原后的图像.实验结果表明,无论从主观视觉效果方面,还是从峰值信噪比与结构相似性客观量化指标方面对所复原图像进行评价,与其他算法相比,所提算法均能取得较好的复原效果.     

混合噪声的图像复原算法

提出了一种基于中值滤波和局部线性核平滑的图像去噪算法.该算法采用在空间域中的自适应滤波思想,运用改进的混合滤波器去除图像中的混合噪声.该算法的特点是复原后的图像能较好地保留边缘,同时对图像退化的先验知识要求不严格,并且有明确的数学公式,更适合实际运用.实验表明,作者提出的方法对含有混合噪声的图像复原具有较好的效果.     

基于多小波去噪的NAS-RIF图像盲复原算法

采用多小波技术对模糊图像进行了去噪,再应用NAS-RIF图像盲复原算法对去噪后图像进行复原.如此算法在抑制了噪声的放大,提高了退化图像的信噪比,保护退化图像的边缘特征和提高退化图像的视觉效果上均有所改善.实验结果表明,改进后的算法具有更好的抗噪性能和复原效果.     

基于散射模型的雾天图像快速复原算法

基于暗原色先验的图像去雾算法能够较好地复原雾天图像,复原的结果清晰自然,但原始算法存在计算复杂度高?大气光估计不够准确?天空区域易出 现失真以及无法处理偏色雾霾等缺点?从以上4个问题出发,以大气散射模型为基础,提出了新的估计透射率与大气光的方法?利用线性对比度拉伸对原含雾图像进行预处理,以消除偏色雾霾的影响,利用设置反馈参数的均值滤波估算雾天图像的大气透射图,通过建立权重图划分天空区域并确定大气光,根据天空区域的面积自适应地修正该区域的透射率,将其代入复原模型得到去雾图像?实验证明,该算法能够较好地克服原始算法的缺点,在降低算法复杂度的同时起到良好的复原效果?     

一种改进的模糊C均值图像分割算法

针对传统的模糊C均值(FCM)图像分割算法效率较低和分割结果对噪声敏感等问题,提出了一种改进的模糊C均值图像分割算法,可以有效地根据图像灰度分布信息选取初始聚类中心,同时充分考虑了邻域像素对于聚类的影响.结果表明,该算法能够根据图像特征自动初始化合适数量的近似聚类中心,对噪声图像具有较好的分割效果.     

基于贝叶斯统计推理的复杂场景边缘检测

复杂场景图像存在大量的噪声和纹理干扰,传统边缘算子的检测效果不理想.为此,文中提出一种基于贝叶斯统计推理理论的多信息融合边缘检测算法.该算法融合了梯度算子、拉普拉斯算子以及两级均值比率(ROA)算子的输出响应;通过最大类间属性互信息对特征属性进行最优离散化;利用非参数直方图方法估计类概率密度函数;并通过贝叶斯风险最小化原则实现边缘检测.试验中该方法的Bhattacharyya误差界为0.093,工作特性曲线下的面积(AUC)达到0.958,证明了该算法的有效性.与经典算子检测结果的比较也表明,该算法能够有效地克服图像中的噪声和纹理干扰.     

基于遗传算法和模糊控制的图像盲复原方法

针对空间移变降质的点扩散函数类型未知且加性噪声严重的情况,提出一种基于遗传算法和模糊控制的盲复原方法.算法采用三角形网格划分子图像块,通过标准遗传算法和微种群遗传算法交替进化的方式分别估计点扩散函数及其对应的子图像块,并在标准遗传算法每一代进化结束时利用参数模型对估计的最佳点扩散函数进行基于模糊控制的修正,而在微种群遗传算法每次迭代后对最佳子图像块进行基于直方图统计的修正.实验结果表明,与点扩散函数已知且不含修正步骤的恢复算法相比,该算法具有更好的的复原效果.     

基于联合规整化约束的图像盲复原

在图像复原研究中加入合适的规整化约束能够有效地提高复原效果。目前普遍将空域上的梯度稀疏性或小波域上的系数稀疏性作为规整化项,但二者并未同时使用。本文提出了对图像采用一种新的空域局部阈值处理和小波域处理的联合规整化复原算法。本算法结合了二者的优点,能够更加充分地利用图像特征信息。实验结果表明,本方法得到的结果有较好的图像质量和较高的算法鲁棒性,能更有效地抑制噪声和伪迹。     

基于熵的图像噪声方差估计

在噪声图像去噪、分割等算法中,需要知道噪声的分布模型和统计参数,为此提出了一个新颖的噪声估计算法.首先计算输入噪声图像中每个图像块的方差和局部熵的综合值;然后将所有综合值按降序排列,按序取综合值对应的标准差值进行去噪;最后通过图像质量评价算法筛选出最终的噪声估计结果.该算法不需要对输入图像进行如滤波、小波变换等复杂的预处理过程,直接对输入图像进行一系列的数据处理就可以得到噪声方差值,方法简单易于实现,计算效率高并且具有良好的鲁棒性,同时也可以指导BM3D等去噪算法进行自适应去噪.