基于l_(1)/l_(2)正则化的图像盲去模糊方法

针对传统图像盲去模糊方法中出现的图像边缘振铃伪影问题,本文提出了一种基于l_(1)/l_(2)正则化的图像盲去模糊方法。该方法利用清晰图像边缘信息的稀疏性,采用l_(1)/l_(2)范数对未知图像潜影进行约束,对模糊核采用l_(2)范数约束以去除模糊核的噪声。在求解过程中,通过交替迭代的方式更新潜影和模糊核,以估计出的最精细模糊核结合非盲去模糊方法,从而得到去模糊图像。实验结果表明,提出的方法对图像去模糊质量有所提升,有效地去除了一些振铃伪影,对于自然的模糊图像也有较好的复原效果。

基于多种先验结合的图像盲去模糊方法

针对传统图像盲去模糊方法中部分细节复原不准确的问题,提出了一种结合暗通道先验、梯度先验以及强度先验的图像盲去模糊方法。该方法利用清晰图像本身的稀疏性以及边缘信息的稀疏性,结合清晰图像暗通道的稀疏性,在不同权重下对清晰图像以及模糊核进行约束。通过交替迭代的方式更新潜影和模糊核,以估计出的最精细的模糊核结合非盲去模糊方法最终得到去模糊图像。实验结果表明,所提方法对图像去模糊质量有所提升,有效地恢复了图像的一些细节。

凹凸范数比值正则化的快速图像盲去模糊

模糊图像可表示为清晰图像和模糊核函数的卷积,由模糊图像恢复出清晰图像,需要同时估计模糊核和清晰图像,因此是一个病态问题.优化含有先验项的代价函数是求解病态问题最有效方法之一.针对图像盲去模糊问题,本研究提出具有更强稀疏表达能力的凹凸范数比值正则化先验项,在用变量分裂法求解模型时,提出用L1范数保真项更新估计图像,在更新模糊核时,提出使用线性递增权重参数对模糊核按多尺度方法由粗到细逐步估计,当获得模糊核后,利用封闭阈值公式估计清晰图像.该方法能快速得到高质量的清晰图像,实验结果验证了模型的有效性和算法的快速性.

基于稀疏先验正则化的图像盲去模糊

文章提出一种结合分离交替最小化,广义软阈值函数和快速傅里叶变换的新方法。按照流行的建模理念,具有挑战性的图像盲去模糊问题被视为最小化问题,其罚函数对模糊核和清晰图像的稀疏表示施加了lp范数(0≤p≤1)正则化。分离交替最小化将图像盲去模糊的最小化问题分解为一组子问题,这些子问题可以使用快速傅里叶变换或广义软阈值函数直接高效地计算。通过在子问题之间交替迭代计算,原图像盲去模糊的最小化问题可以获得令人满意的解。为了提高估计精度,以多尺度的方式迭代更新模糊核;以峰值信噪比作为恢复图像的质量度量,在基准数据集上进行实验以分析所提出方法的性能。比较结果清晰地表明,因其具有更快的速度,产生更清晰的视觉效果和获得更高的PSNR值,所提出的方法优于竞争方法。

基于广义规范化稀疏模型的图像盲去模糊算法

针对基于规范化稀疏先验的图像盲去模糊方法估计精度低、计算速度慢、参数选择敏感等问题,提出一种Tikhonov正则增强的广义规范化稀疏模型,且将其作为中间清晰图像和运动模糊核的共同先验约束。随后,利用算子分裂、交替方向乘子法以及快速傅里叶变换,最小化关于中间清晰图像与运动模糊核的目标函数,导出一种快速图像盲去模糊算法。在标准测试集以及实际彩色模糊图像上的实验结果验证了提出方法的有效性和鲁棒性;此外,在同等条件下与近期文献中的盲去模糊方法进行比较,显示了该方法在估计精度和估计效率上的双重优势。

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。

一种基于条件生成对抗网络的图像盲去模糊模型

现有的图像盲去模糊方法会导致图像产生棋牌伪影现象、计算成本过大、图像细节纹理信息恢复不佳等多个问题。针对这些问题,基于条件生成对抗网络,提出了一种图像盲去模糊的方法。该方法使用卷积神经网络作为生成器和鉴别器网络的基本架构,采用上采样和卷积相结合代替反卷积并采用实例正则化用于图像迁移,可有效避免这些问题。实验结果表明,无论在图像评测指标峰值信噪比和结构相似度测量还是使用目标检测的方法均能阐释该方法能达到较好去模糊效果。

多尺度低秩图像盲去模糊方法

针对现有的大多数基于统计先验的单幅图像盲去模糊方法对图像纹理细节恢复效果不佳且存在振铃效应的问题,提出了一种基于逐块局部最大梯度先验和低秩先验的多尺度图像盲去模糊方法。为了恢复得到清晰图像,采用由粗到精的多尺度框架,通过灰度化与下采样操作逐层构建图像金字塔;在单尺度层面,将逐块局部最大梯度先验和低秩先验带入到最大后验概率框架中,利用交替方向乘子法与半二次分裂法估计出潜在图像和模糊核;结合超拉普拉斯先验与总变差L 2方法,对模糊图像与估得的模糊核进行非盲反卷积,获得清晰图像。在计算过程中,由于直接求解低秩项的计算代价很大,将加权Schatte-1/2范数约束的低秩项子问题转化为非凸权重L 1/2范数子问题,采用广义软阈值方法求得全局最优解。在基准数据集上的实验结果表明:与现有的经典图像去模糊方法相比,所提方法取得了更优的图像去模糊效果;在K hler的合成数据集上进行图像去模糊后,平均峰值信噪比为30.06 dB,平均结构相似性为0.9465,估计出的模糊核更加精确。

基于模糊核结构约束的图像盲去模糊算法

模糊核估计在图像盲去模糊问题中十分重要。然而,目前大多数方法都没有考虑到利用模糊核本身的结构信息。针对这一问题,文章首先通过观察发现结构较为集中的模糊核可以恢复出更高质量的图像,然后设计了一种使得模糊核结构更集中的约束项,最后基于该约束项提出了一种图像盲去模糊的模型。实验结果表明,该方法相较于其他方法在峰值信噪比性能上有较大提升,可以更好地恢复出图像细节与纹理。

基于暗通道先验和多方向加权TV的图像盲去模糊方法

针对全变差(TV)正则化图像复原其细节恢复能力有限且对噪声敏感等问题,本文利用多方向边缘检测,对传统TV模型进行改进,得到基于边缘检测的多方向加权TV模型;为了使复原模型更具普适性且提高细节恢复能力,本文将暗通道先验融入上述模型,提出基于暗通道先验和多方向加权TV的图像盲去模糊方法.同时,在模糊核估计过程中,提出了基于自适应强边缘提取的模糊核估计方法,可有效剔除伪边缘、噪声等不利信息,使模糊核估计更具鲁棒性;最后,给出了模糊核估计和去模糊模型的最优化求解算法.实验结果表明,本文方法可准确估计模糊核,复原图像含有更丰富的边缘、纹理等细节特征.

基于高斯曲率和加权图总变分正则化的遥感图像盲去模糊算法

针对遥感图像在采集过程中出现的运动模糊现象,本文从图像曲面的几何性质和图像像素的代数性质出发,设计了一种基于高斯曲率和加权图总变分正则化的遥感图像盲去模糊算法。首先,将加权图总变分先验与高斯曲率先验相结合以获得骨架图像,骨架图像保留图像的梯度以及锐利边缘信息,并去除中间潜在图像中的有害结构;然后,利用骨架图像估计模糊核,进而利用非盲去模糊算法获得清晰图像;最后,在8张不同场景下的模糊遥感图像上进行仿真验证。结果表明,相比于其他先进的图像盲去模糊算法,本文提出的去模糊算法复原效果的峰值信噪比平均值分别高于对比算法2.76、1.84、3.11、2.79、3.35、2.76 dB,结构相似性平均值分别高于对比算法0.0792、0.0604、0.0873、0.0801、0.0997、0.0906。本文算法复原的遥感图像具有清晰的边缘轮廓和局部细节,提升了遥感图像的清晰度。

渐进式深度网络下盲运动图像去模糊方法

针对盲运动图像去模糊任务中渐进式深度神经网络缺少大范围感受野和难以合理交互各阶段图像特征的问题,提出具有扩张卷积和上下文注意力融合模块(contextual attention fusion module,CAFM)的渐进式深度网络(progressive depth network,PDNet)恢复清晰图像。该方法包括局部特征提取、图像特征整合和图像恢复3个阶段。其中局部特征提取阶段和图像特征整合阶段利用多分支扩张卷积模块(multi-branch dilated convolution block,MDCB)增加感受野,适应不同程度的运动模糊;在图像特征整合阶段和图像恢复阶段利用CAFM进行不同阶段图像特征的信息交互,以实现渐进式的图像特征增强。通过3个阶段的渐进式增强策略,提出的方法能充分利用局部和全局图像特征引导图像恢复,从而生成清晰的高质量图像。实验结果表明:与SRN等网络相比,提出的PDNet在GoPro数据集和RealBlur-J数据集上得到更好的效果,且峰值信噪比(peak signal to noise ratio,PSNR)平均提升2.9 dB,结构相似度(structural similarity index measure,SSIM)平均提升0.05。

基于深度先验的盲图像去模糊算法

盲图像去模糊旨在模糊核未知的情况下从模糊图像恢复清晰图像,这是一个欠定逆问题,需要引入图像先验信息限定解空间.受到SelfDeblur的启发,本文提出了一种基于深度先验的盲图像去模糊算法,结合深度网络与正则化模型对清晰图像与模糊核联合建模,交替迭代估计清晰图像与模糊核.在图像估计子问题中,模糊核参与RGB三通道损失函数的约束下,利用隐含图像平滑性约束的深度卷积神经网络DIP-Net生成清晰图像;在模糊核估计子问题中,直接求取模糊核正则化约束模型的全局极小解,不同于SelfDeblur的全连接网络使用梯度下降法更新模糊核.本文算法结合深度网络实现正则化方法,与监督学习相比,无需成对的模糊/清晰图像数据集训练网络;与传统模型方法相比,无需通过多级金字塔的方式由粗到细地估计模糊核.在模拟与真实模糊图像上的实验结果表明;本文算法能够快速、准确地估计出清晰图像和模糊核,并能够有效抑制图像复原过程中存在的噪声放大问题.

基于卷积核优化的运动图像盲去模糊算法

引用了一种新的L1/L2的正则项形式,这种形式对清晰图像分布状况的描述比传统范数形式更好.本文创新之处在于提出一种加入不等式约束的模糊核估计的优化更新算法,该算法通过保持卷积核的支撑区域并消除周围噪声的方法使得对于模糊卷积核的估计变得更加精确,最终达到针对运动模糊图像的更好的复原效果.

基于光线重排的印制电路板高速扫描成像迭代去模糊方法研究

自动光学检测(automated optical inspection,AOI)相机运动速度过高,拍摄印制电路板(printed circuit board,PCB)图像会产生严重模糊。如能正确恢复因此而产生的退化,可提高相机的运动速度,进而提高AOI的检测效率。受代数迭代重建算法(algebraic reconstruction technique,ART)启发,提出一种基于光线重排的图像非盲去模糊算法。该方法在模糊核已知的情况下,基于快速迭代收缩阈值算法(fast iterative shrinkage thresholding algorithm,FISTA)迭代重建算法,运用Nestrov加速和光线重排提高了迭代收敛速度,运用数据正则抑制图像的各类加性噪声和伪影,较好地重建出原本的清晰图像。结果表明,该方法对噪声具有较好的抑制能力,对AOI相机运动曝光引起的严重模糊,较常用的传统逆滤波方法具有更好的图像恢复效果。

基于多尺度残差生成对抗网络的单图像盲去运动模糊方法

图像盲去运动模糊一直是计算机视觉领域的一个经典问题,它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用,因此提出的方法对DeblurGAN方法进行改进,提出一种基于条件生成对抗网络的GR-DeblurGAN(granular resi-dual DeblurGAN)的单图像盲去运动模糊方法,采用细粒度残差模块(granular residual block)作为骨干网络,以此在不增加参数量的情况下,扩大感受野,获得多尺度信息。最后在两个广泛使用的数据集:GoPro数据集以及Kohler数据集上进行算法性能评估,并与代表性算法进行对比。从实验结果可以看出,提出的方法改进效果明显,并且在计算开销上面优于其他算法。

二次稀疏极端通道先验盲超声图像去模糊

模糊的超声图像经过极端通道先验去模糊后不够稀疏,导致极端通道稀疏约束可能不存在。因此,为了充分利用图像通道信息,通过增强去模糊后超声图像的稀疏性,提出一种二次稀疏极端通道先验盲超声图像去模糊算法。首先,给出了相关的理论证明和实验说明二次稀疏极端通道先验用于约束模糊超声图像的可行性;然后,充分利用暗通道和亮通道的先验信息,在交替迭代过程中采用半二次分裂方法估计中间图像和模糊核;最后,用傅里叶变换求得最终的清晰图像和模糊核。在超声图像集上的实验结果表明,本文提出的二次稀疏极端通道先验盲超声图像去模糊算法和其他超声图像去模糊方法相比更具可行性和优越性。

基于暗通道与低秩先验的运动模糊图像盲复原

摘`要:为了将运动模糊图像恢复成清晰图像,提出了一种基于暗通道与低秩先验的图像盲去模糊方法。首先,利用图像暗通道的稀疏性进行中间复原图像估计,同时引入带权值的低秩先验约束抑制中间复原图像中的噪声,提高模糊核估计的准确性;然后,通过交替迭代的优化策略得到准确的模糊核;最后,用Hyper-Laplacian先验方法得到清晰图像。实验结果表明,提出的方法能有效抑制噪声和振铃效应,保留图像细节,对运动模糊图像有较好的复原效果。

基于生成对抗网络的无人机图像去模糊方法

提出一种基于加权感知损失的生成对抗网络(GAN)用于无人机图像去模糊。实验中采用具有跳跃连接结构的网络作为生成器,并对生成器使用加权感知损失进行约束,在生成器和判别器进行对抗式训练过程中,生成器不断学习并优化模糊图像到对应清晰图像的映射函数。另外,由于PSNR、SSIM图像质量客观评价指标的局限性,提出使用感知损失作为监控网络优化过程和模型选择的评价指标,最后使用感知损失选择的生成器模型对模糊图像进行盲去模糊。实验表明,该方法可快速有效地恢复出细节清晰的图像。

基于分数阶全变差和自适应正则化参数的图像去模糊

为更好地复原图像的纹理细节,避免求解图像去模糊模型时面临正则化参数难以选择的问题,提出了一种基于分数阶全变差(FOTV)模型和自适应更新正则化参数的非盲去模糊图像重建方法。首先,在分析不同分数阶下FOTV的幅频响应特性的基础上,采用不同分数阶次的FOTV模型约束图像的平滑(低频)部分和纹理细节(高频)部分,从而建立图像非盲去模糊重建模型。其次,为了有效地求解重建模型和实现两个正则化参数的自适应更新,采用交替方向乘子法(ADMM)将原本含有两个正则化参数的复杂问题分解成两个相对容易的子问题进行求解,每个子问题只含一个正则化参数。最后,根据偏差准则,在迭代求解过程中实现了两个正则化参数的自适应更新。将所提算法应用于包含平滑、边缘和纹理细节的多幅图像中,测试4种不同模糊核下的去模糊效果;与传统的4种去模糊算法相比,实验结果表明所提算法能自适应地更新两个正则化参数,对于纹理细节适中的图像具有较好的去模糊效果。