图像超分辨率重建的非局部正则化模型与算法研究

利用图像非局部不连续性测度的概念,建立了面向图像超分辨的非局部正则化能量泛函和相应的变分框架.理论分析了该框架与目前关于双边滤波等一类广义邻域滤波器和经典的变分偏微分方程模型之间的联系.推导了该非局部泛函约束的变分模型最优解满足的积分形式欧拉-拉格朗日方程,并研究了其最速下降流满足的若干重要性质.基于图理论,设计了图像超分辨的自适应加权迭代算法.最后通过选择不同势函数的非局部正则化泛函进行图像去噪、去马赛克效应和图像超分辨处理,性能分析表明：相同势函数下,非局部正则化方法优于同类局部正则化方法,峰值信噪比提高0.5~1.0dB.

多方向加权TV和变换域非局部正则化图像去模糊

针对传统全变差(TV)去模糊对噪声敏感且细节恢复能力有限等缺点,利用边缘检测对传统TV模型进行改进,并受空域非局部自相似性正则化思想启发,将图像的变换域非局部自相似性约束融入去模糊模型,提出一种基于边缘检测的多方向加权TV和变换域非局部正则化的图像去模糊方法.首先,运用边缘检测将中心像素邻域内的像素对划分为同侧像素对和异侧像素对,对不同类型的像素对采用不同的权重,在去模糊的同时尽可能保持图像边缘等细节特征;其次,为充分利用先验信息,将变换域非局部正则化约束融入到改进的TV模型,进一步改善图像视觉质量;最后,对新模型进行有效求解.实验结果表明,本文算法在去模糊的同时可更好地保留图像的边缘、纹理等细节特征.

基于方向信息测度的非局部正则化图像去噪方法

针对非局部正则化在图像去噪过程中计算复杂度高、复原速度慢的问题,基于方向信息测度提出了改进的非局部正则化方法.在图像的边缘轮廓区域使用保边性能较好的非局部正则化方法,而在图像的平坦区域使用各向异性全变差模型,且该全变差模型由基于Bregman迭代正则化方法的快速迭代算法进行求解.实验结果表明:基于方向信息测度的非局部正则化方法在快速消除图像噪声的同时,能有效地保留图像的边缘和纹理等结构信息.

基于非局部正则化的乘性噪声去除模型及Split-Bregman算法

针对全变分去噪模型会模糊图像边缘和纹理部分的问题,提出一种改进的去除乘性噪声的非局部正则化模型,并利用Split-Bregman算法进行求解。对观测图像取对数变换,将乘性噪声转化为加性噪声,利用全变分思想,以非局部TV范数作为正则项,通过图像区域与区域的灰度相似性来确定权重系数,进而更好地保持图像的纹理结构;在模型中加入紧凑项来保证去噪图像的紧凑性。对模型求解并进行数值仿真实验,结果表明:改进的去除乘性噪声的非局部正则化模型能够去除图像噪声且较好地保持其纹理部分。

基于2DPCA的有效非局部滤波方法

最近,非局部滤波方法已成为滤波领域的研究热点.本文深入研究了基于预选择的非局部滤波方法,指出了已有方法在提取图像片特征方面存在的不足,利用二维主成分分析(Two-dimensional principal component analysis,2DPCA)提出了一种有效的非局部滤波方法.该方法对基于预选择的非局部滤波方法的主要贡献有:1)用于提取图像片特征的面向图像片的2DPCA;2)基于相似距离直方图的相似集自动选取方法;3)相似距离权重参数局部自适应选取方法.实验结果表明,本文方法对弱梯度、人脸、纹理以及分段光滑图像均能取得较好的滤波效果.

针对复杂噪声场景的FCM聚类算法非局部改进

作为一种常用的图像分割算法,模糊C均值聚类(FCM)对噪声过于敏感。针对此缺陷,研究者们提出了诸多改进算法。然而,现有算法在面对较为复杂的噪声场景时,所得图像分割效果往往不令人满意。通过对经典FCM算法的目标函数施加非局部正则化,该文给出一个FCM非局部改进算法(FCM_UNL)。在复杂噪声场景下进行图像分割时,FCM_UNL能保持较高的分类精度。初步的图像分割实验表明了所提算法的有效性。

结合非局部低秩先验的图像超分辨重建概率模型

现今图像成像技术日益普及,但受成像设备、成像环境以及在获取图像过程中外界噪声等因素的相互制约,在实际应用中很多图像成像分辨率较低,带来诸多问题.为此,提出一种有效的基于最大后验概率和非局部低秩先验的图像超分辨重建模型.首先,该模型采用连续图像序列作为数据输入,利用单幅图像内与连续图像间的相似性作为先验知识,提升相似图像块匹配度,消除图像细节丢失现象.然后,以最大后验概率框架建模,使用高斯分布和吉布斯分布拟合模型参数,提升模型泛化能力.通过相似块的奇异值估计待求块的奇异值,采用低秩截断抑制重建过程中引入的噪声.最后,利用图像的非局部自相似性和低秩性质,以非局部低秩约束正则化图像重建过程,添加图像的局部和全局信息来提升重建效果.在标准光流数据集、纽约大学和山东省千佛山医院提供的数据集上的实验结果表明,文中基于最大后验和非局部低秩先验的模型与传统插值算法、基于重建的优秀算法相比,在5组仿真实验中,其平均峰值信噪比提升6.3 dB,在保持图像纹理特征和恢复图像细节方面可取得更好的重建性能.

基于稀疏权值的非局部图像去噪模型

非局部正则化模型保留了全变分的一些数学性质和非局部模型的特征,有较好的去噪效果。本文对非局部正则化模型的权值计算方法进行改进,提出了一种稀疏的权值矩阵,并用分裂Bregman算法对改进的非局部正则化图像去噪模型进行求解。实验结果表明本文提出的基于稀疏权值的非局部正则化图像去噪模型的分裂Bregman算法实现较好,在保证去噪效果情况下,时间上较之前模型的分裂Bregman算法有所改进。

结合稀疏编码模型的多帧图像超分辨率重建

传统序列超分辨率方法对低分辨率视频序列的要求较高,一旦序列中没有包含足够的信息,会造成重建高分辨率图像质量的下降。为此,提出一种结合稀疏编码模型的序列超分辨率算法。利用概率运动场从低分辨率序列中重建一幅高分辨率图像,根据自适应阈值确定重建有效和无效区域,使用稀疏编码模型对无效区域进行补全重建。实验结果表明,该算法可以采用序列自身的信息和稀疏字典中的信息来重建高分辨率图像,在序列信息有破缺时,与仅利用序列自身信息或仅利用单幅图像的算法相比,具有更好的鲁棒性和广泛的适用性。

基于遗传算法的自适应图像分割技术研究

在数字人重建中,图像分割是数字人重建的关键要素,常规图像分割方法不但效率低,丢失信息严重,更重要的是分割精度极低。为了解决这些问题,提出了一种基于非局部相似正则化降噪方法的改进并将改进双种群遗传算法,通过分割结果表明论文提出的算法具有较高稳定性,分割效果较精确,而且大幅度降低了遗传算法的计算复杂度。

数据冗余信息引导的低剂量心肌灌注CT成像方法

目的心提出一种数据冗余信息引导的低剂量心肌灌注CT成像方法。方法考虑到心肌灌注CT图像帧内含有丰富的结构冗余性,且帧间具有高度的相似性,本文提出基于非局部均值滤波(NLM)和全变分(TV)混合框架的惩罚加权最小二乘(PWLS)图像重建模型,简称为PWLS-avi NLM-TV。该模型利用了帧间结构相似性和帧内数据冗余性,能有效消除重建图像中的噪声和伪影,提高灌注序列图像帧内空间分辨率与帧间时间分辨率。结果 PWLS-avi NLM-TV相比PWLS-TV和PWLSavi NLM能更好地去除心肌灌注图像中的噪声和伪影,同时较好保持图像边缘和细节信息,进而有效区分缺血心肌与正常心肌。结论数据冗余信息引导的重建算法可有效改善低剂量心肌灌注CT成像质量,更好地为临床影像诊断服务。

含噪径向模糊图像的复原算法研究

摄像平台高速靠近目标时,会使成像产生从中心到边缘呈放射状径向模糊的问题,影响对目标的探测、识别与跟踪。针对这一典型的空间变化运动模糊情形,根据实际的目标离散成像过程,推导出径向模糊图像在极坐标系中的数学模型。在分析极坐标图像纹理信息几何特征的基础上,基于非局部正则化理论提出了改进的Richardson-Lucy算法,有效解决了模糊系数存在测量误差时含噪径向模糊图像的复原问题。

Bregman交替迭代遥感图像复原方法

针对多种退化因素的遥感图像复原问题,提出一种基于Bregman迭代的遥感图像消除不规则采样、去模糊和去噪总变差复原方法。在此基础上,结合非局部正则化方法,提出一种自适应计算非局部均值滤波器参数的方法。求解时使用交替最小化方法将复杂的复原问题分割为两个容易求解的子问题。实验结果表明,本文方法比其他基于Bregman迭代的方法收敛速度快、复原效果好,且加入非局部正则化后具有更好的纹理细节信息保持能力。

基于改进广义全变分的稀疏图像重建算法

为了提升稀疏采样环境下的图像重建质量,针对广义全变分模型重建图像时不能充分利用图像本身结构自相似性信息的不足,建立了一个非局部约束下的改进广义全变分图像重建模型。该模型引入了变化域非局部自相似性作为图像重建的先验信息,同时在八邻域空间计算多方向的广义全变分正则化约束,从而更好地保护了图像的结构特征,进一步地,使用增广拉格朗日理论对模型进行去约束化、求解,提出了基于改进广义全变分的图像重建算法。仿真实验结果表明,所提出的重建模型和图像重建算法可以有效地去除图像中的伪影和噪声,满足稀疏采样情形下对图像重建质量的要求。与其他重建算法进行比较可知,本文算法所重建的图像不论是主观视觉效果,还是各个客观评价指标均有不同程度的改善和提高。