基于低分辨率图像约束的BTV图像去模糊算法

多帧图像超分辨率重建算法为了简化算法复杂度,将整个图像重建过程分为数据融合与图像去模糊两步.然而,数据融合过程会丢失一些弱小细节信号,直接使用常规图像去模糊方法是无法将其复原的.为此,提出将低分辨率图像约束(LRIC)引入基于双边全变分(BTV)的图像去模糊优化,并利用梯度下降法求解,获得了BTVLRIC算法.实验表明,对于不同图像内容或数据融合算法生成的数据融合图像,BTV-LRIC法获得的复原图像在视觉效果和客观评价上均优于TV法和BTV法.

基于l_pBTV正则化的图像超分辨率重建算法

针对双边全变分正则化(BTV)边缘细节处理时出现过平滑的问题,结合自然图像梯度稀疏先验模型,给出一种基于双边全变分算子的新型l_pBTV(0<p<1)正则子。将其应用于图像超分辨率重建处理,采用迭代加权最小二乘法(IRLS),将l_pBTV非凸优化问题转化为重赋权的BTV优化问题。实验结果表明,该文算法能通过调整p值大小取得最优峰值信噪比(PSNR)和结构相似度(SSIM),可更有效地抑制噪声并保留图像的边缘细节,获得较好的图像重建效果,能有效提高图像质量。

基于混合噪声模型的BTV超分辨率重建

超分辨率重建方法多基于单一噪声模型,而实际情况下图像可能同时受到多种噪声的干扰。为获得更加理想的图像超分辨率重建结果,提出一种基于Laplace-Gaussian混合噪声模型并结合双边总变分的超分辨率重建方法。首先根据噪声的广义似然比测试来判断系统的噪声分布模型,然后利用L1范数在突变区域较好地保持图像边缘信息特点及L2范数抑制图像平坦区域的噪声的优点,用自适应滤波核BTV正则化算法解决重建病态性反问题,最后进行超分辨重建。重建结果表明,相对于其他重建算法,本文算法提高了图像重建结果峰值信噪比,降低图像重建的误差,可以较好的平滑和保持图像边缘细节信息,同时加快图像重建的速度,可以满足重建的实时性要求。

BTV图像超分辨率重建改进算法

在双边滤波正则化算法的基础上,结合自然图像自身结构相似性,提出一种基于BTV的改进算法。通过在代价方程中引入表达图像非局部结构相似性的正则化项,对重建图像的解空间进一步加以限制和优化,最后通过最陡下降法求得代价方程最优解,从而完成重建。实验证明,与BTV算法相比,改进后的算法不仅能很好地抑制噪声,同时也更好地保留了图像中的细节,重建图像有着比较清晰的边缘,同时该方法也说明重建过程中更多的先验知识对重建结果的重要性。

一种有效保持边缘特征的散焦模糊图像复原方法

图像复原过程中图像的主观视觉质量与图像的局部细节信息之间密切相关。针对散焦模糊图像,提出一种新的图像复原方法。所提方法在传统双边总变分正则化方法基础上,通过引入一种具有结构自适应的局部权值函数,构造了一种新的图像复原目标函数。该目标函数综合考虑了图像的全局与局部统计特性,即在整体保真情况下还充分考虑了图像的局部结构信息,使得所提复原方法能更有效地保持图像的边缘等细节信息。与传统BTV正则化方法的比较实验表明,所提方法在边缘保持方面更有效,复原后的图像具有更好的主、客观视觉质量。

全变分引导的双边滤波图像去噪方法

双边滤波是一种结合了图像空间邻近度和像素值相似度的非线性滤波方法。当噪声水平较小时,使用输入的待去噪图像来引导双边滤波核函数权重的计算较为可行,但当噪声水平变大时,噪声图像的结构信息被严重破坏,影响了双边滤波器中值域核函数权值的准确计算。提出了全变分引导的双边滤波图像去噪方法,给出其Split Bregman快速算法。利用全变分模型对噪声图像进行光滑,得到一幅包含清晰结构信息的图像,将图像作为双边滤波的引导图像进行计算,对上述过程进行迭代处理以提高算法的稳定性。实验表明,提出得算法不仅在主观视觉效果上优于双边滤波,客观评价指标PSNR值也较双边滤波提高了1.5dB左右;在较好去除噪声的同时较好地保持了边缘结构。

基于自适应双边全变差的图像超分辨率重建

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准的MAP算法引入了自适应概念,引入了图像自适应加权系数矩阵;据此给出一种基于自适应双边全变差的图像超分辨率重建算法,该方法不仅能在图像超分辨率重建过程中抑制噪声,而且能锐化图像中的边缘信息;建立了自适应重建模型并用梯度下降法推导出迭代计算公式.实验表明,该算法在收敛性和精确性上都达到了较好的效果.

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比(PSNR)值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度(MS-SSIM)指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。

数字双边全变差滤波及非线性去噪

为了更好地滤噪,在研究基于数字滤波器的图像去噪问题的基础上,首先简洁地建立了双边滤波与最优能量泛函之间的理论联系,同时导出一类广义双边滤波器;然后基于双边滤波在阶数大邻域中的双重异性加权滤波机制,推广了Chan提出的数字全变差(TV)模型,提出了一种数字双边TV模型;随后,建立了基于数字双边TV模型的最优能量泛函,并且导出了适于高斯噪声和脉冲噪声两种情形的非线性数字双边全变差滤波器。实验结果显示,无论是在视觉效果方面,还是去噪后图像的峰值信噪比方面,双边全变差滤波都是对双边滤波和全变差滤波极为合理而有效的推广。尤其对于脉冲噪声,该双边全变差滤波的去噪性能明显优于中值滤波器,具有重要的实用价值。

基于变差正则化的超分辨率图像重建

针对超分辨率图像重建的求解病态性问题,从正则化求解的角度构建数据保真项和正则项,提出一种新的数据融合方法。讨论已有的数据融合方法,利用像素领域和帧间信息控制奇异点,考虑边缘区域的变差权值,避免重建图像的边缘区域过于平滑。实验结果表明,该方法能够提高重建图像质量,具有较好的鲁棒性。

基于各向异性全变分的迭代滤波算法

空间邻近度和像素值相似度的双边滤波(BF)器在滤波时,由于其值域滤波核系数的计算易受到噪声的干扰,在噪声水平较大时,直接使用噪声图像来指导核函数权值计算的方案不可行。为此,提出一种结合各向异性全变分和BF的图像去噪算法,将各向异性全变分算法与BF算法相结合,首先利用各向异性全变分算法对噪声图像进行处理,得到一幅边缘结构信息较为丰富的结果图像,接着将该结果图像作为BF算法的引导图像来指导值域滤波核系数的计算,为保证算法的稳定性,对上述过程进行迭代处理。此外,为提高各向异性全变分算法的计算效率,引入了Split Bregman迭代算法进行加速处理。实验表明,该算法能在较好去噪的同时,保留较多的边缘结构信息。

基于灵活LBP纹理字典构造及多特征描述的改进SCSR算法

针对超分辨率重构字典对结构区分度不够、在最优匹配原子搜索中耗时太长的问题,提出了一种多特征联合的分级字典(MFJD).首先,分别用边缘块梯度特征和纹理块局部二值模式(LBP)特征来构建两种分类字典,用于逼近不同类型结构;其次,采用树结构来聚类原子,实现同一字典下的快速原子匹配;最后,引入双边总变分(BTV)正则项来约束重构结果.实验表明:与经典稀疏编码超分辨率重构(SCSR)算法相比,MFJD多特征联合的分级字典使重构图像的PSNR值提高了0.2424 d B,使平均结构相似度(MSSIM)和特征相似度(FSIM)分别提高了0.0043和0.0056;由于结构分类字典维数降低,重构时间降至SCSR算法的22.77%.

基于定向双边全变差正则化的文档图像超分辨率算法研究

针对文档图像超分辨率重建问题,在传统双边全变差(Bilateral Total Variation,BTV)正则化超分辨率算法的基础上,提出了一种基于改进BTV的文档图像超分辨率算法。该算法引入一个新的正则项,即笔画宽度的方向,并根据字符笔画的局部宽度和局部方向自适应地进行平滑处理;然后通过分析输入的低分辨率图像及其插值,使输出图像的局部笔画宽度接近于局部的笔画方向。这种信息被压缩到基于笔画宽度的方向全变分正则项中。通过最小化正则项和数据保真项的线性组合,重建了高分辨率的图像。与相关的文档图像超分辨率方法相比,所提方法在视觉图像质量和字符识别精度方面得到了显著的改善。

基于L_1和L_2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L1和L2混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L1和L2混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 d B^5.2 d B。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。

双边全变分的自适应核回归超分辨率重建

正则化方法是目前解决超分辨率重建中病态问题的一种被广泛使用的方法。在分析了现有基于多种正则化超分辨率重建方法的基础上,构造了一种基于双边全变分(BTV)的自适应核回归滤波核,并将它作为正则化超分辨率重构的代价函数,该方法根据图像特征自适应生成正则项的滤波核函数。实验结果表明,与传统的正则化重建方法相比较,该算法既能有效地去除噪声,也能很好地保留图像细节部分,同时还具有一定的鲁棒性。通过客观和主观评价表明,图像重建质量有显著的提高。

基于统计量的加权函数图像重建方法

针对图像重建的问题,提出了一种基于统计量的加权函数图像重建方法。考虑到退化图像不仅含有高斯噪声,且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的方差构造基于统计量的高斯和拉普拉斯权重函数;由于在图像重建过程中,噪声分布发生变化,整合L_1,L_2范数,设计了一种自适应加权函数;结合双边全变差(BTV)正则化算法,设计了一种自适应加权函数图像恢复方法。实验结果表明:相比基于L_1-L_2混合误差模型(HEM),方法的峰值信噪比(PSNR)和结构相似度(SSIM)分别平均提高了约2.07 d B,0.02,对含有多种噪声的退化图像能够取得比较理想的结果。

文本图像的双边总变分超分辨率恢复方法

超分辨率图像复原的目的是从几幅包含有相同观测区域的图像序列中重建更高分辨率的图像。一般的超分辨率算法没有考虑文本图像的分段连续性,因此有可能丢失笔画边缘处的细节信息。双边总变分正则算法具有很好的边缘保持能力,因此可以应用到文本图像的超分辨率恢复。本文根据汉字的字符结构特点,对双边总变分正则算法进行了改进,根据汉字的笔画组成特征,提出新的正则项。该方法由于充分地考虑了汉字文本图像的结构特征,因此能够很好地保持汉字的笔画的尖锐边缘。实验也证明了使用本文所提出的BTVCH算法获得的超分辨率文本图像可以获得最高的字符识别率。

自适应约束下的双边全变差正则化超分辨率重建

在经典的双边全变差(BTV)超分辨率重建中,加权系数和正则化参数的恒定性导致重建结果边缘保持能力受限。为此,提出了一种自适应约束的BTV正则化先验模型。算法首先定义了图像的局部邻域残差均值以区分当前像素属于平坦区域还是边缘区域;然后针对加权系数的不变性导致边缘削弱的问题,利用边缘方向和垂直边缘方向扩散性的不同,设计自适应权重矩阵;最后根据代价函数的极值问题推导出迭代公式,从而进行图像的超分辨率重建,重建过程中采用自适应的方法确定正则化参数,以便求得代价函数的全局最优解,提高了算法的鲁棒性。实验结果表明:与双三次线性插值法和经典BTV算法相比,该算法取得了更好的视觉效果和更高的峰值信噪比,更多地保留了图像的边缘细节信息。

一种基于卷积运算与全变分模型的图像去噪方法

梯度模值较易受到外界影响,导致全变分模型在大噪声点处往往不能很好地消除噪声,从而产生阶梯效应。针对该问题,提出了一种基于卷积运算与全变分模型的图像去噪方法。首先,针对以扩散形式获得的图像像素点进行卷积运算,利用滤波去噪降低大噪声点的灰度值;其次,以能量泛函形式构建图像全变分模型,并求解泛函对应的拉格朗日方程极小值来实现图像去噪;最后,将去噪后图像作为双边滤波算法的引导图像进行二次去噪,从而进一步提升图像去噪质量。仿真实验结果表明,与经典方法相比,该模型对去噪过程中的阶梯效应问题具有较好的处理效果。

基于乘数交替方向法的系统图像退化恢复方法

针对一般正则化方法不能有效解决非线性成像和高动态成像的系统退化恢复问题,提出一种非线性图像恢复方法,该方法利用乘数交替方向法解决双边全变差(bilateral total variation,BTV)模型的正则化项不平滑问题。建立包含复原图像的非线性最小二乘数据拟合项和BTV正则化项的目标函数;对目标函数进行优化;构建一套有效的乘数交替方向法(multiplier alternating direction method,MADM)求解提出的模型。利用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性度量(structural similarity index measurement,SSIM)评估图像恢复结果。对于非线性成像系统退化,提出的方法在PSNR和SSIM方面比基于TV(total variation)模型的方法分别提高4.5%和4.1%。对于高动态的成像退化问题,提出的方法获得的恢复图像PSNR值可达61.89 d B,相比其他方法,至少提高了2.9%。此外,该方法的运行时间也至少节省了26%,具有较高的计算效率。