基于泊松-高斯混合噪声的最大似然改进算法

传统的图像复原算法仅针对高斯噪声进行处理,没有考虑高斯及泊松混合噪声污染。为此,引入泊松-高斯混合分布的成像模型,对基于混合模型的最大似然算法进行有效近似,在此基础上提出基于泊松-高斯混合噪声的最大似然改进算法,避免对噪声敏感性和PSF初始估计的依赖。实验结果表明,与原有算法相比,改进算法复原效果明显,且稳健性较好。

基于变分正则化的混合泊松-高斯噪声图像去噪方法综述

对基于变分正则化的混合泊松-高斯噪声图像的去噪模型及算法进行综述.首先,简要介绍了2个针对单一类型噪声的去噪模型,包括处理高斯噪声的ROF模型和处理泊松噪声的TV-KL模型;然后,在此基础上重点介绍基于变分正则化方法的混合泊松-高斯噪声去噪模型,包括通过最大后验估计推导的精确泊松-高斯噪声去除模型、Shifted-Poisson模型、TV-IC模型,以及广义的Anscombe变换模型和PURE模型等;相应地,总结了求解上述模型的常用高效数值算法,包括原始-对偶算法、交替方向乘子算法和半光滑牛顿算法等;在数值实验部分,对相关模型的噪声去除效果进行评估;最后,对该领域未来的研究方向进行了展望,指出了在模型改进、具有收敛性保证的算法设计、自动调参策略以及高维非线性等几个方面存在的问题和未来的发展方向.

融合L^2和KL保真项的图像恢复算法

为了有效抑制高斯-泊松混合噪声,针对调和模型不能有效保存图像的边缘细节信息和Kullback-Leibler散度作为保真项(KL保真项)的全变差图像恢复模型对光滑的区域部分去噪会产生"阶梯效应"的不足,提出一种针对高斯-泊松混合噪声去噪的图像恢复变分模型。该模型利用增广拉格朗日算法进行数值实现,将调和模型和全变分模型按照比例进行融合,结合两种模型的优点,增强模型的去噪性能;Kullback-Leibler散度作为保真项和L^2保真项按照比例进行混合,能有效去除高斯-泊松混合噪声的同时,保护图像的边缘细节;使用多幅含不同混合噪声的图像进行对比实验,采用峰值信噪比、结构相似度指标评定图像的恢复效果。实验结果表明,该模型的峰值信噪比和结构相似度大于使用Kullback-Leibler散度作为保真项的全变差图像恢复(TV-KL)模型、改进MS模型(MRT),以及保真项混合模型(MFT)这三个模型,并且计算的CPU时间更短,去噪效果得到明显改善。所提模型具有更好的去噪性能,有效地保持了图像细节和纹理特征方面的信息,获得了更理想的视觉效果,不仅能提高了图像质量,而且在客观上得到了有效的证实,可以应用于X射线图像去噪。

基于方差稳定化和PPB加权最大似然估计的中子图像复原方法研究

由于微观量子特性和随机性以及中子束注量率在时间和空间分布上都存在着一定的统计涨落,致使中子图像存在比较强的噪声.由于这种噪声的统计分布符合泊松-高斯混合模型,因此,提出了一种新的中子图像去噪方法.该方法结合了PPB加权最大似然估计算法与非线性方差稳定化变换,实现了中子图像的去噪复原,能够有效地抑制传统算法中的伪影现象并保证结果不失真.实验结果表明,该方法能够提供稳健的复原结果.