基于带间预测的非负支撑域受限递归逆滤波盲复原算法

针对非负支撑域受限递归逆滤波(NAS-RIF)算法对噪声敏感和耗时长等缺点,提出了一种改进的NASRIF盲复原算法。首先,为了改进原始NAS-RIF算法的抗噪性能和复原效果,引入了一种新的NAS-RIF算法代价函数;其次,为了提高算法的运算效率,结合Haar小波变换,仅对低频子频带的图像进行NAS-RIF算法复原,而高频子频带的信息,则通过带间预测分别从低频子频带的复原图像中预测得到;最后,为了保证高频信息的准确性,提出了一种基于最小均方误差(MMSE)的带间预测。分别对模拟退化图像和真实图像进行了仿真实验,采用该算法得到的信噪比增益分别为5.221 6 d B和8.103 9 d B。实验结果表明:该算法在保持图像边缘细节的前提下,能够较好地抑制噪声;此外,该算法的运算效率也得到了较大的提高。

基于非负支撑域受限递归逆滤波的自适应图像盲复原

针对原始非负支撑域受限递归逆滤波(NAS-RIF)算法存在的缺点,提出了一种自适应的NAS-RIF图像盲复原算法。首先,在NAS-RIF算法的代价函数中加入正则化约束项和空域加权因子,通过自适应地调整正则化参数和空域加权因子来改善算法的抗噪性能,并确保复原的逼真和平滑。然后,在算法的每次迭代中,采用图像分割技术找到准确的目标支持域,并用背景的平均值取代非均匀背景。最后,利用N步重置共轭梯度法优化代价函数,加快了算法的收敛速度。在不同信噪比条件下对两种模糊图像进行了实验,结果显示,采用本文算法得到的信噪比增益(ΔSNR)分别为6.315 3dB和8.910 6dB,表明该算法具有较好的噪声抑制和边缘细节恢复效果。对低信噪比的退化图像,本文算法也能得到更好的复原结果。

NSCT域红外图像改进非局部均值滤波算法

结合非下采样轮廓波变换(NSCT),提出了一种红外图像改进非局部均值滤波算法(Improved Non-local Means Filtering,INLMF)。该算法首先对红外噪声图像进行多尺度NSCT变换,其次分别从相似图像块自适应划分方法以及滤波权重计算方法 2个方面对经典非局部均值滤波算法进行适当改进,将改进后的非局部均值滤波算法(INLMF)应用于处理高频分解系数,然后将滤波后的高频分解系数与低频分解系数进行重构,得到去噪后的图像,最后对去噪后图像采用非负支撑域有限递归逆滤波(Non-negativity and Support Constraints Recursive Inverse Filtering,NAS-RIF)算法进行图像复原,以尽可能消除因滤波造成的图像失真。测试结果表明,本文算法滤波效果优于NLMF及其已有的改进算法。

基于小波变换和非负支撑域递归逆滤波算法的盲目图像复原

提出了一种将自适应正则化方法与非负支撑域递归逆滤波(NAS-RIF)算法相结合用于小波域的盲图像复原算法。该算法先对降质图像进行小波分解,得到了图像在不同子频段的信息。在各个子频段采用NAS-RIF算法进行复原。针对各个子频段内图像的频率和方向特性,分别引入了不同的正则化约束项。在各个子频段估计出噪声方差,提出了根据噪声方差和图像局部方差来选取正则化参数。分别对两幅模糊图像进行了仿真实验,复原结果取得的信噪比分别为19.66 dB和23.86 dB。实验结果表明,复原效果相对于空间自适应正则化方法有一定的提高。

提升小波变换在NAS-RIF盲复原算法中的应用

针对采用非负支撑域受限递归逆滤波(NAS-RIF)算法对低信噪比图像进行复原时将导致算法性能恶化的问题,提出一种与提升小波变换相结合的NAS-RIF盲复原算法.首先对退化图像进行整数提升小波分解,得到不同频带子图像的信息;然后对各个频带子图像分别采用基于空间自适应和正则化方法的NAS-RIF算法进行复原,针对不同频带子图像的频率和方向特性,通过自适应地选取对应的正则化算子、正则化参数和空域加权因子,达到对低频子图像去模糊、对高频子图像抑制噪声,并保持边缘细节的目的;最后通过整数提升小波逆变换得到复原后的图像.在不同的信噪比条件下对2种模糊图像进行仿真实验,采用文中算法得到的信噪比增益分别为5.849 1dB和9.713 6dB.实验结果表明,文中算法不仅取得了更优的图像复原效果,而且具有较快的收敛速度.

一种改进的NAS-RIF水下图像盲复原算法

提出一种基于空域自适应加权因子的NAS-RIF图像盲复原算法,算法通过在原NAS-RIF算法代价函数中引入空域自适应加权因子,以改善图像复原的逼真和平滑。实验结果表明,改进后的算法信噪比改善增益可以提高2.39dB,复原后图像细节和清晰度有了一定程度的改善。

基于改进NAS-RIF算法的遥感噪声图像自适应复原

实现对遥感噪声图像的有效复原是遥感图像处理的一项重要研究内容。在对非负支撑域有限递归逆滤波(non-negativity and support constraints recursive inverse filtering,NAS-RIF)算法深入研究的基础上,提出一种基于改进自适应NAS-RIF算法的遥感噪声图像复原方法。该算法针对经典NAS-RIF算法存在的缺陷,首先对含有椒盐噪声和高斯白噪声的遥感图像采用自适应伪中值滤波算法进行预处理,以尽可能排除图像中噪声的干扰;然后结合图像的灰度值,从算法支撑域和背景灰度值2个方面加以改进;最后对代价函数引入基于目标信息的修正项,改进了经典NAS-RIF算法的代价函数;与对数函数复合,使得改进后NAS-RIF算法的代价函数具有良好的收敛性;并采用共轭梯度法对改进自适应NAS-RIF算法进行整体优化。对仿真实验结果进行的主观和客观分析表明,本文算法的性能优于经典NAS-RIF算法、已有的改进NAS-RIF算法以及小波阈值去噪方法,能够胜任遥感噪声图像的复原处理。

空间自适应和正则化技术的盲图像复原

在原非负支撑域递归逆滤波(NAS-RIF)算法基础上,提出了一种基于空间自适应和正则化技术的改进的盲图像复原算法。该算法在原NAS-RIF算法的代价函数中引入两项空间自适应加权项,分别用来确保图像复原的逼真和平滑。自适应加权项可根据观察图像的局部特性和噪声方差求得;加入正则化项,则用于抑制噪声。提出了根据观察图像来估计噪声方差的方法,不需要知道噪声方差的先验条件,采用共轭梯度算法来进行求解。对3幅不同背景和不同信噪比的图像进行了仿真实验。实验结果表明:采用改进算法得到的信噪比增益(ΔSNR)比原算法分别提高了0.207 3 dB,1.023 9 dB和2.862 8 dB,取得了更优的图像复原效果。