基于偏微分方程的图像正则化恢复算法

总结了作用于数字图像的基于偏微分方程的正则化方法,确定了一个基于迹的方程的一般形式,统一了不同的正则化方法的标准,在此基础上提出一对新的图像平滑函数.用该函数处理噪声图像,在噪声消除的同时能保持良好边缘,且避免了原PDE算法处理图像时常出现的块效应.     

混合正则化模型的交替迭代原理与图像恢复

由有界变差函数的半范数(TV)描述的正则项,在图像恢复过程中,对于图像的纹理部分,容易造成细节丢失;对于图像的卡通部分,容易产生阶梯效应;为克服此缺点,提出一种混合卡通-纹理正则化模型(hybrid cartoon texture regularization model,HCTRM)和交替迭代算法。首先,对受系统和噪声模糊的图像,用Kullback-Leibler函数描述拟合项;对于图像的卡通部分用分数阶TV的半范数来描述,纹理部分用紧框架域L_1范数来描述,建立HCTRM。其次,分析HCTRM解的存在性和唯一性。再次,引入辅助变量,将HCTRM转化为标准表达式,应用交替方向乘子算法(ADMM),将HCTRM分解为2个大的子问题。最后,将每个大的子问题,再分裂为2个小的容易处理的子问题,形成快速交替迭代算法。针对TV的半范数作为正则项,容易消除图像的纹理,且产生阶梯效应的缺点,提出一种HCTRM和交替迭代算法。仿真表明,能有效地恢复非平稳区域的纹理,克服在平稳区域产生的阶梯效应,取得较高的峰值信噪比和结构相似测度。     

一种新的正则化粒子滤波图像恢复算法

引入粒子滤波对解决非线性非高斯模型的优良特性,将一种新的正则化粒子滤波算法(regularized particle filter)应用到混合噪声和乘性噪声图像恢复中.由于采样重要性重采样(SIR)方法在重采样时没有考虑观测量而引入误差,本文方法从后验连续分布中采样,引入观测量进而减少误差,同时将易实现的累积分布函数和正则化重采样步骤融合,进一步使粒子方差最小化,解决粒子衰竭问题,缓解退化现象.通过对具有混合噪声图像以及医学乘性噪声图像的恢复效果表明了该算法的有效性,且与小波阈值法和SIR粒子滤波法对比显示了其优越性.     

图像恢复的分块正则化Gmres方法

利用分块Gmres算法在处理大规模线性方程组时具有的优势,将其同正则化技术‘相结合应用于图像恢复领域,提出一种新的图像恢复的方法．该方法考虑了图像恢复中的时间复杂度与空间复杂度2个方面．数值模拟时,对不同的方法进行了对比分析,结果表明所提出的方法能够明显改善图像恢复的质量．     

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。     

基于小波变换的正则化图像恢复方法研究

介绍了基于小波变换的正则化图像恢复方法,它利用图像小波变换后各个子频带所具有的不同的频率选择性和不同的方向特性,对各子频带采用不同的正则化参数和正则化算子,将图像分解为一个低频子频带LL和三个高频子频带,然后对原图像的各个子频带图像分别进行迭代恢复,使各个子频带分别收敛于其最大信噪比。     

三维电阻抗成像中混合正则化算法

为解决三维电阻抗成像(electrical impedance tomography,EIT)逆问题的病态性和改善重建图像质量,在对比研究Tikhonov正则化和一步牛顿法(Newton’s one-step error reconstructor,NOSER)的基础上,提出基于这2种算法的混合正则化算法。采用归一化均方距离判据和归一化平均绝对距离判据,为判断重构图像和原始图像的差异提供一种量化的客观标准。仿真计算和物理模型实验结果表明：混合正则化算法与Tikhonov正则化、NOSER正则化相比,不仅降低了雅克比矩阵的条件数,使逆问题由病态转为良态,还提高了目标物体的空间分辨率,有效改善了图像质量。该混合正则化算法对三维EIT的图像重构是有效的、可靠的。     

基于多参数正则化的高分辨率图像重构算法

根据完全重构滤波器的性质,提出一种基于多参数正则化方法的高分辨率图像重构算法。该算法利用多参数正则化方法,恢复图像的高频部分,然后将恢复的高频信号与低频部分叠加,得到重构的高分辨率图像。由于该算法沿不同滤波方向选取不同的正则化参数,因此有效地抑制了噪声对重构图像的影响,改善了图像在边缘部分的重构效果,从而弥补了己有方法的不足。对所提出算法的收敛性进行了分析,并通过数值实验验证文中所提出算法的有效性。     

基于正则化元学习的小样本图像分类算法

现有元学习方法的初始模型在训练过程中会偏向于某些任务,从而影响元学习方法的泛化能力。针对以上不足,提出了基于正则化元学习算法(Regularized Meta Learning,REML)用于小样本图像分类。该算法通过在元学习的目标函数中添加正则化项,以阻止元学习的初始模型偏向于部分训练任务,使元学习模型具有更强适应新任务的能力。此外针对元学习过程中涉及二阶求导使得计算量较大的不足,采用一阶导数近似二阶导数,以减小元学习模型训练所需计算量。在mini Image Net、CUB-200和CIFAR-100这3个数据集上进行的实验验证本文算法性能。实验结果表明,提出的算法能够增强元学习的泛化能力,从而提高小样本图像分类的性能,同时减小元学习算法训练参数的计算量。     

改进正则项的图像盲恢复方法

图像恢复是一个反卷积过程,这一过程通常是病态的,其中的盲恢复是一个最常见也最具挑战性的问题?由于盲恢复过程中缺乏点扩散函数的相关先验信息,使得这个过程变得更为复杂?为了保证在得到光滑图像的同时也可以很好地保持图像的边缘信息,本文提出了一个改进的全变分正则项的盲恢复模型,并结合分裂Bregman算法对模型进行了求解?数值计算中采用了快速傅里叶变换和shrinkage公式来降低计算复杂度?数值实验分别对模糊图?含有噪声和高斯模糊的灰度图进行了处理,得到了满意的结果?     

一种基于分离思想的超分辨率复原方法

针对光学图像，从光学系统成像机理出发，建立了一种图像退化的分层模型，指出了造成图像分辨率降低的若干关键因素(衍射效应、欠采样等)．提出了一种用于超分辨率复原的分离方法，并引入了级联模板算法。该方法降低了计算的复杂度，实验结果表明了算法的有效性。     

适用于图像恢复的最优形态滤波设计方法

针对噪声图像的恢复问题,研究了基于SV形态学理论的最优形态滤波设计方法.通过建立SV形态模式谱解决图像与相关几何结构相似性度量问题;通过引入集差距离函数,解决由形态滤波所产生的几何和拓扑畸变程度的量化问题;通过优化问题的设计,在有效去噪和保持图像基本结构之间寻求一个平衡策略,使得优化问题得以求解.最终从理论上证明了一类SV交替滤波和一类SV交替惯序滤波是SV形态学方法下,适用于图像恢复的最优滤波.     

一种雨景视频图像的复原方法

文章分析了视频中雨的时空特性和色度特性,并基于这2个特性,提出了一种简单而有效的利用序列图片检测和去除视频中雨的方法.首先优化了K均值的时间复杂度,然后依据雨的时空特性,运用改进的K均值方法对各个像素进行聚类操作;依据雨的色度特性准确区分出雨区,从而成功地完成了检测;利用统计特性对背景像素值进行估计,代替雨的像素值.为了得到更加清晰的复原结果,融合了检测之前的预处理和去雨后的非雨区滤波处理,形成了一套完整的雨景图像复原方法.实验结果表明,该方法是简单而且有效的.     

基于小波变换的混合图像编码方法

提出了一种新的静止图像压缩算法--基于小波变换的混合图像编码方法.该算法综合了多种编码方法的优点.经实验表明在高压缩比的情况下,本算法仍能获得满意的图像质量,优于目前已有的其它算法.     

基于正则的POCS无源毫米波超分辨率重建

针对无源毫米波图像普遍存在分辨率不高的问题,提出一种基于正则化技术的超分辨率重建方法.在具体的成像模型基础上,对获取的无源毫米波图像序列进行基于正则的凸集投影(POCS)处理.将正则化条件作为POCS的一个凸约束,使得到的高分辨率图像在平滑噪声的同时能很好地保护图像的纹理细节.实验结果表明,该方法还可以提高图像的分辨率,是一种较好的无源毫米波超分辨率重建方法.     

Study of a new method for three-dimensional restoration from single image

The aim of three-dimensional recovery technology from the image is to recover the relative height of each point on the surface from the light variations in the single image and carry out the recovery. A new method that recovers three-dimensional is presented object based on radius basis function for the image from the unknown light source direction, which constructs a surface equation by the network, uses the reflectivity function as a constraint, continuonsly estimates the light source direction in the self-learning process of the network from the bright spots around the spread of the image, and eventually obtains a satisfactory surface equation. This method makes the resumption of surface good continuity and smoothness, and can recover the height value of each network point of the image and be automatically inserted in any point the among the network. It is suitable for the image of Lambert reflection model and the image of the Specular reflection model and the mixed-reflex model.     

Study of a new method for three-dimensional restoration from single image

The aim of three-dimensional recovery technology from the image is to recover the relative height of each point on the surface from the light variations in the single image and carry out the recovery.A new method that recovers three-dimensional is presented object based on radius basis function for the image from the unknown light source direction,which constructs a surface equation by the network,uses the reflectivity function as a constraint,continuonsly estimates the light source direction in the self-le...     

Study of a new method for three-dimensional restoration from single image

The aim of threedimensional recovery technology from the image is to recover the relative height of each point on the surface from the light variations in the single image and carry out the recovery. A new method that recovers threedimensional is presented object based on radius basis function for the image from the unknown light source direction, which constructs a surface equation by the network, uses the reflectivity function as a constraint, continuonsly estimates the light source direction in the selflearning process of the network from the bright spots around the spread of the image, and eventually obtains a satisfactory surface equation. This method makes the resumption of surface good continuity and smoothness, and can recover the height value of each network point of the image and be automatically inserted in any point the among the network. It is suitable for the image of Lambert reflection model and the image of the Specular reflection model and the mixedreflex model.