基于全变差和P-Laplace模型的混合图像修复算法

图像修复是近年来图像处理研究的主要问题之一.在基于偏微分方程的修复算法中,全变差(total variation,TV)模型能够很好地保护图像边缘信息,但其各向异性扩散方式在平坦区域容易产生阶梯效应;而在图像平坦区域具有良好修复效果的P-Laplace模型,其各向同性扩散方式不适于修复图像边缘信息.将TV模型和P-Laplace模型有机结合起来,提出了一种混合图像修复算法.提出的扩散控制参数k能够根据待修复像素所在区域调节两种信息扩散方式的重要程度,实现混合图像修复.实验结果表明,所提算法获得了更好的修复结果.

多正则化混合约束的模糊图像盲复原方法

图像复原是一个长期的且极具挑战性的逆问题。为了实现模糊图像的盲复原,该文提出一种多正则化混合约束的模糊图像盲复原方法。首先,运用一种图像的局部结构提取策略(Local Structure Extraction Scheme,LSES)将图像中的大尺度图像边缘准确地提取出来。然后,在模糊核(Blur Kernel,BK)的估计阶段,将提取的大尺度图像边缘与前期研究中所提出的一种结合稀疏性和平滑特性的双重正则化约束模型相结合,实现模糊核更加准确的估计。在图像的复原阶段,为了得到高质量的复原图像,提出一种结合全变差(Total Variation,TV)模型和Shock滤波器不变特性的多正则化约束模型,从而实现模糊图像的清晰化复原。最后,通过半二次性的变量分裂策略对提出的模型进行最优化求解,能够在准确地估计出BK的同时得到高质量的复原图像。在人造的模糊图像和真实的模糊图像中进行了大量的实验,证明了所提方法的有效性,且与近几年的一些极具代表性的模糊图像盲复原方法相比,不仅主观视觉效果得到了显著的增强,而且客观评价指标也得到了明显的改进。