基于多通道盲复原和改进K-SVD模型的图像恢复

图像盲复原(IBR)问题一直是图像处理中的重要研究课题。目前空间不变的多通道图像盲复原算法研究较为普遍,这种算法具有较好的盲去模糊效果,但是对噪声的抑制能力不足,特别是对含有大量噪声的低分辨率图像而言,消噪效果较差。基于K-奇异值分解(K-SVD)的模型能够有效地处理噪声方差较大的图像,但是不能自适应图像的稀疏先验性。为了解决上述问题,在全变分(TV)多通道IBR算法处理的基础上,结合一种改进的K-SVD消噪模型的优势,提出了一种新的组合图像恢复方法。改进的K-SVD模型考虑了图像特征系数的稀疏先验知识和最大化稀疏度,具有自适应的消噪鲁棒性。分别采用模拟的和真实的低分辨率图像(毫米波图像)进行测试,与采用单一的多通道盲恢复和图像消噪算法相比,实验结果表明所提出的图像恢复方法具有较好的视觉效果和较高的信噪比。

组合MKSVD和MPOCS的图像恢复

为获得较高质量的恢复图像,采用一种改进的KSVD(MKSVD)算法对低分辨率(LR)图像进行消噪处理,进一步对消噪结果采用一种改进的POCS(MPOCS)算法进行恢复,得到边缘特征更清晰的恢复图像。MKSVD是一种典型的稀疏字典学习方法,具有自适应消噪特性,可有效减少特征系数的训练时间;MPOCS采用双边滤波器实现POCS算法中点扩散函数(PSF)的估计,较好保持了图像的边缘细节。采用模拟和真实的LR图像进行测试,仿真结果表明了该图像恢复方法的有效性。