贝叶斯框架下的模糊图像盲去卷积算法(英文)

为了去除图像模糊的同时,保持图像边缘等细节信息,需要对原始图像和点扩散函数进行准确的估计。在贝叶斯框架下,基于总变分模型,建立原始图像和点扩散函数的先验模型,同步估计原始图像和点扩散函数。对于总变分模型不可微分的问题,在不影响速度的前提下,用迭代重加权范数算法处理该问题。基于共轭分布理论,提出以伽马分布作为未知参数的先验模型,准确估计参数。实验表明该算法在对原始图像、点扩散函数和参数准确估计的基础上,成功地解决了模糊图像的盲去卷积问题,算法的速度和效果都得到了改进。与同类算法相比,本文提出的算法具有一定优势。

基于图像块相似性和稀疏先验的模糊图像盲去卷积复原

随着计算机视觉的发展,电子设备所采集图像的图像退化问题进一步显现。针对这一问题,本文提出一种基于图像块相似性和稀疏先验的模糊图像盲去卷积复原算法,构建和优化了基于图像块期望的高斯拉普拉斯相似性模型,通过构建一种近似的最大后验估计算法,最终实现了基于图像稀疏先验算法和自然图像块强度、梯度先验的L0正则化的降质图像盲去卷积复原。通过对典型退化图像样本的复原实验,可以看到其复原图像效果显著。

基于超拉普拉斯先验的分数阶全变分图像复原模型

针对点扩散函数形式未知的模糊图像复原的问题,提出一种基于超拉普拉斯先验的分数阶全变分正则模型。为了消除的整数阶全变分模型中图像复原中的振铃效应,本文引入了分数阶差分来作为图像的先验信息,在基于最大后验概率估计(MAP)的图像盲去模糊模型的基础上,提出了一种Lp范数分数阶正则项的全变分复原模型,利用分裂Bregman算法交替求解得到对点扩散函数的估计,再利用非盲复原的方法求得原始清晰图像。实验结果表明,此模型能够有效地处理不同形态的模糊核,得到了较为理想的复原结果,复原图像中的振铃效应有效地降低。