基于显著性区域检测的多尺度图像盲复原算法

针对大多数基于先验的盲图像去模糊算法耗时较长和显著边缘结构提取不理想的问题,提出一种基于显著性区域检测的多尺度图像盲复原算法。为了复原出更加清晰的图像,采用由粗略到精细的多尺度交替迭代框架构建图像金字塔。在图像单一尺度方面,首先提取出图像中具有强边缘结构的显著性区域,并对其施加l_(0)范数约束,提出显著映射先验;将显著性映射先验和最大后验概率相结合并引入传统图像去模糊模型中,构造出点扩散函数估算模型,利用半二次分裂算法解决模型的非凸问题;对点扩散函数进行复原时,利用点扩散函数相似度的变化量限制每个尺度中的过渡迭代;对模糊图像和最终估计的点扩散函数进行非盲解卷积,获得复原图像。实验结果表明:与现有的主流去模糊算法相比,新算法在合成数据集和真实数据集中都可以有效抑制振铃和伪影现象,得到了很好的视觉体验,且评价指标均优于对比算法,同时大大缩减了复原时间。

基于深度编码-解码器的图像模糊核估计

在图像去模糊问题中,显著边缘结构对图像的模糊核估计具有重要的作用.本文提出一种基于深度编码-解码器的图像模糊核估计算法.首先,通过构建训练数据集对深度编码-解码器进行训练,进而自适应地获得模糊图像的显著边缘结构;接着,结合显著边缘结构和模糊图像,利用L2范数正则化对模糊核进行估计;最后,利用超拉普拉斯先验和所估计的模糊核对清晰图像进行估计.与传统的方法相比,所提出的方法不需要多尺度迭代框架.实验结果表明,所提出的算法在获得较好的显著边缘结构以及清晰图像的同时,能够减少算法计算的时间.