保留结构特征的稀疏性正则化图像修复

以压缩传感和稀疏表示为理论依据,提出了一种基于剪切波变换的稀疏性正则化的图像修复模型,以便更好地保留图像的结构特征。该模型用剪切波作为图像的稀疏表示,以稀疏性作为正则化项;同时基于变量分裂法,采用增广Lagrange优化方法求解最优化问题。另外,通过交替最小化方式来降低计算复杂性。从峰值信噪比(PSNR)、结构相似度(SSIM)、收敛速度和视觉效果等4个方面验证了算法的有效性。结果显示:利用本文算法修复图像的质量明显优于其他算法,获得了更优的PSNR和SSIM值。新的模型无论是在客观还是视觉主观方面都具有更好的性能,同时算法具有更快的收敛速度。得到的结果表明本文算法能够更好地修复图像,获得较好的视觉效果。

稀疏性正则化非负矩阵分解的在线学习方法

针对非负矩阵分解效率低的不足,提出一种基于在线学习的稀疏性非负矩阵分解的快速方法.通过对目标函数添加正则化项来控制分解后系数矩阵的稀疏性,将问题转化成稀疏表示的字典学习问题,利用在线字典学习算法求解目标函数,并对迭代过程的矩阵更新进行转换,采取块坐标下降法进行矩阵更新,提高算法收敛速度.实验结果表明,该方法在有效保持图像特征信息的同时,运行效率得到提高.

基于布雷格曼迭代的稀疏正则化图像复原方法

为了实现模糊噪声图像的清晰化复原，提出了一种基于布雷格曼迭代的稀疏正则化约束的图像复原算法。首先，运用差分算子，得到图像中各个方向上的梯度信息；然后，利用提取的梯度信息，得到图像边缘各个方向上的权重；并结合稀疏性原理，针对复原图像，提出了一种权重的稀疏性正则化约束；最后，运用了一种布雷格曼迭代（Bregman Iteration，BI）策略对提出的方法进行最优化求解。实验结果表明，较近几年的一些具有代表性的图像复原方法相比，不仅主观的视觉效果得到了较为明显的改进，而且客观的信噪比增量也增加了0．3～2．5dB。

低剂量CT的线性Bregman迭代重建算法

针对降低X线源管电流来减少辐射剂量的实现方案所引起的投影图像低信噪比的情况,该文提出一种新的低剂量CT图像重建模型。总的优化目标函数采用泊松噪声的负对数似然函数作为数据保真项,采用待重建图像的稀疏性先验信息作为正则项。保真项能够克服加性高斯模型不能有效刻画噪声性质的缺点,正则化项能够改善测量低信噪比所引起的不适定性。求解过程中采用线性化Bregman迭代格式,将原目标函数分解为变系数的2次优化问题和稀疏性先验去噪问题,其中的2次优化问题中的2次项系数采用变系数计算,能够更好地逼近原始的保真项,从而加快收敛速度。在低剂量扇形束成像的条件下,对仿真模型进行了数值试验,并同传统的滤波反投影算法、极大似然算法和加权2范数重建算法进行了比较,验证了该文算法的有效性。