基于结构张量的自适应稀疏角度CT重建算法

针对全变差稀疏角度CT重建图像出现伪影及过渡平滑的问题,提出一种自适应方向全变差与Lp范数结合的稀疏重建算法.算法利用边缘细化改善结构张量边缘检测精度,然后基于结构张量提取的结构方向信息,自适应地更新方向全变差中的方向及权重.最后采用交替方向乘子法,结合广义软阈值算法求解.实验结果显示,所提算法在主观评价与客观评价上均具有优势,有效抑制了条形伪影,较好地保持了图像边缘,进而提高了稀疏重建图像的质量.

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。

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。