重加权总变分结合hyper-Laplacian的图像盲复原方法

提出一种重加权总变分与hyper-Laplacian相结合的图像盲复原算法。首先,通过重加权总变分先验重建模糊图像权重的双峰分布;然后,利用重建后的图像估计连续且稀疏分布的点扩展函数,并用其复原模糊图像,对以上两步反复迭代,使点扩展函数不断接近真实的解;最后,结合hyper-Laplacian函数曲线能很好地拟合自然图像梯度分布的先验对模糊图像进行非盲复原。实验结果表明,与两种具有代表性的盲复原算法相比,该算法能更准确地预测出模糊核,并有效抑制图像的振铃效应,且在主观视觉与客观评价指标上都得到明显的提升。

超拉普拉斯重叠组稀疏先验的稀疏角度CT重建

对于稀疏角度下的投影数据,计算机断层扫描在图像重建中容易出现伪影和噪声较多的问题,难以满足工业及医学诊断要求。本文提出一种基于重叠组稀疏和超拉普拉斯先验的稀疏角度CT迭代图像重建算法。其中重叠组稀疏反映图像梯度稀疏性,从图像梯度的角度考虑相邻元素之间互相重叠交叉的关系。而超拉普拉斯先验能够精确地近似图像梯度的重尾分布,能够使得重建图像整体的质量提升。本文提出的算法模型采用交替方向乘子法,主分量最小化法和梯度下降法求解目标函数。实验结果表明,在稀疏角度CT重建的条件下,本文提出的算法在保留结构细节、抑制图像重建过程中产生的噪声和阶梯伪影方面有着一定的改善。

基于归一化超拉普拉斯先验项的运动模糊图像盲复原

基于变分方法提出了一种运动模糊退化图像的盲复原算法。考虑自然场景的图像梯度符合长拖尾概率分布,提出的方法采用归一化的超拉普拉斯先验项作为变分能量方程中的光滑项,从而有利于图像在去模糊的求解过程中正确解收敛。由于建立的能量方程不是严格凸的函数,故引入了分裂方法进行求解。整个运动模糊退化图像的盲复原过程在多尺度框架下由粗到细尺度渐进执行。最后利用估计出的点扩展函数计算清晰图像。相对于传统的盲复原算法,本文提出的算法不需要预测图像的梯度信息和对梯度进行筛选,直接求解能量方程就能够得到相应的正确解。得到的结果验证了本文算法的有效性。

基于自学习的稀疏正则化图像超分辨率方法

如何设计既能够保持边缘与纹理结构又具有较低计算复杂度的图像超分辨率算法是目前该领域有待解决的难点问题。在Bayesian统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性,稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。为使稀疏域更好地表征高分辨率图像,选取高分辨率图像块的高频特征进行稀疏表示,由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中,即直接从当前估计的高分辨率图像特征块学习词典,与从训练样本库中学习词典相比,这种自学习的方法对不同图像的自适应性更强,并且减少了运算量。实验结果表明,该方法可以重建清晰的图像边缘,减小振铃效应,并且对噪声具有很好的鲁棒性。

改进的超拉普拉斯约束的单幅图像去模糊算法

根据图像模糊产生方式的不同,研究人员将最为常见的模糊类型划分为离焦模糊和运动模糊两大类,而本文着重研究运动模糊的去除方法.在Krishnan和Fergus等人提出的基于超拉普拉斯先验的图像去模糊算法的基础上,本文给出了一种改进的基于超拉普拉斯约束的单幅图像去模糊算法.该算法主要分成三个处理步骤:在综合考虑图像边缘幅值和梯度的基础上,筛选出用于模糊核估算的图像子区域;对模糊核的稀疏性进行超拉普拉斯约束,快速且精确地估算出所需的模糊核信息;在对图像进行快速非盲反卷积复原阶段,原有的算法是用超拉普拉斯模型直接对图像梯度进行约束,而本文使用一种新的分布约束,从而生成了质量高,视觉效果好的去模糊图像.实验结果表明,本文算法可获得较好的图像去模糊效果,同时提高了去模糊算法效率.

基于变分狄利克雷模糊核估计的行车记录盲图像复原

针对行车记录模糊图像的模糊核不能准确估计的问题,提出一种变分狄利克雷分布的模糊核估计方法,并利用改进的增广拉格朗日算法实现有效的图像复原。采用梯度投影法求解优化问题,提取图像边缘的精确方向,用狄利克雷分布替代模糊后验估计消除图像噪声,减少额外约束;以超拉普拉斯先验分布建模,结合ALM实现行车记录盲图像复原。实验结果表明,通过多尺度的模糊核估计,能有效估计模糊核并消除行车记录图像的噪声,恢复行车记录图像的纹理细节。与其他方法相比较,所提出的盲图像复原方法,从视觉特性和评价指标来讲都具有较好的恢复效果。

基于超图稀疏编码框架的图像特征提取方法

作为一种降维的方法,稀疏编码的有效性很高。编码字典具有超完备性,在编码中会丢失不同编码字典特征的衔接信息与相似度,因而使得稀疏编码自身的识别率有所下降。针对编码字典不同特征的距离与相似度,本文构建了新型的超图稀疏编码框架,在计算稀疏编码中,可以在此结构基础上运用相似度权重和超图理论,有效的改善了稀疏编码方法,使稀疏编码特有的鲁棒性得到增强。接着分别在Caltech和Scene数据库做实验,对该稀疏编码的有效性进行了验证。

基于多正则化约束的图像去运动模糊

针对图像去运动模糊问题的病态性,已有的方法通常引入对图像的正则化约束从而缩小解空间范围使其良态化,但单一的正则化约束并不能很好地估计点扩散函数和复原原始图像。基于此,本文提出一种基于多正则化约束的图像去运动模糊方法。首先,根据图像梯度符合重尾分布的特性,采用归一化的超拉普拉斯先验项作为对图像先验约束的正则项。其次,分析描述图像运动模糊的点扩散函数的内在特性包括稀疏性和连续光滑性;同时,采用点扩散函数自身的L1范数保证其稀疏性并作为其中一项点扩散函数先验约束的正则项,采用Tikhonov正则化约束保证其连续平滑性并作为另一项点扩散函数先验约束的正则项,避免估计的点扩散函数中存在孤立的点。由于所建立的正则项虽然不可微但其是非严格凸函数,故引入辅助变量采用分裂法和交替求解法对所建能量方程进行求解,并利用小波软阈值公式求解辅助变量。本文方法对合成的运动模糊图像和实际相机抖动造成的自然模糊图像均进行实验,实验结果验证了该模型和求解算法的有效性和快速性。实验结果表明,本文方法提高了点扩散函数估计准确度,同时提高了复原图像质量,具有较好的复原效果。

基于超拉普拉斯模型的运动去模糊算法

通过分析自然图像梯度统计的长尾分布特性,提出一种基于超拉普拉斯模型的图像运动去模糊算法。该算法使用分步交替迭代最小化办法优化能量方程,并在优化过程中采用了查询表法快速求解图像反卷积。实验结果表明,该算法可以在数秒时间内处理完成一幅中等大小的图像,并获得较优的复原结果,其复原效果和对振铃现象的抑制均优于维纳滤波法和Richardson-Lucy复原法。

改进的RL模糊星图复原算法

研究了复杂工作环境对星敏感器成像的影响,总结了模糊图像退化与复原模型,并对经典RL模糊图像复原算法进行了分析。针对RL复原算法存在振铃效应的不足,提出了一种基于超拉普拉斯约束因子的RL复原算法。仿真结果表明:改进后的RL复原算法减弱了复原星图中的振铃效应,提高了复原星图的质量,为在复杂环境影响下星敏感器实现高精度星提取性能奠定了基础。

基于超拉普拉斯先验与核谱特性噪声图像盲去模糊

现有大部分盲图像去模糊方法对噪声敏感,即使少量的噪声可大大降低恢复图像的质量.考虑到模糊图像中同时隐含有清晰图像信息和模糊核信息,我们同时利用卷积核谱特性先验和清晰图像梯度域超拉普拉斯先验联合建立含噪图像盲去模糊模型,较单独使用卷积核先验与清晰图像先验建模更合理,也能获得更精确的估计图像.本文借助于Hessian矩阵,利用模糊图像及卷积核联合生成先验子,而非单独的估计图像先验子,建立优化模型.求解模型时,通过迭代策略交替细化模糊核和清晰图像.在清晰图像恢复阶段,因存在超拉普拉斯先验项,提出用变量分离法计算清晰图像.清晰图像采用快速傅里叶变换及封闭阈值公式求解,以提高优化速度.实验结果表明:与其他方法相比,本文方法能获得更鲁棒的模糊核和更精确的清晰图像,且收敛速度更快.

基于超拉普拉斯先验的图像非盲解卷积

自然图像梯度的重尾分布在去噪、去模糊以及超分辨率等问题中已经被证实是一个非常有效的先验。自然图像梯度的长尾分布可以极好地用超拉普拉斯(Hyper-Laplacian)分布模型化。基于空间变化点扩散函数提出了一种超拉普拉斯先验的图像快速非盲解卷积方法,对图像进行复原。该算法的优势就是引入空间变化点扩散函数,使用分步交替迭代最小化方法,通过查表法快速对图像去卷积求解。该方法的解卷积速度得到较大幅度的提升,而且对模糊图像有较好的复原效果,提高了图像的质量。

基于稀疏表示和梯度先验的图像盲去模糊

针对目前基于稀疏表示的图像盲卷积算法细节恢复有限等问题,提出一种基于稀疏表示和梯度先验的图像盲卷积算法。虽然每个图像块可以通过字典稀疏表示,但是图像块重构出的图像常常出现"伪像",本文将梯度先验知识和超拉普拉斯先验知识融入稀疏表示盲卷积模型中,采用迭代方法交替估计中间清晰图像和模糊核,一旦获得模糊核,采用超拉普拉斯非盲去卷积算法恢复出最终的清晰图像。实验结果表明,与其他去模糊算法相比,本文算法在抑制振铃方面效果显著。

无监督动态超图学习拉普拉斯矩阵特征选择

为捕捉样本之间的复杂关系,提升噪声鲁棒性,提出一种基于动态超图学习拉普拉斯矩阵的无监督特征选择方法。通过对训练样本的协方差矩阵施加正交约束,利用超图动态学习拉普拉斯矩阵分别保持低维训练样本的全局和局部结构,获取样本之间的复杂关系;引入的两种子空间学习方法增强特征选择的辨别能力。通过公共数据集实验结果验证了提出方法能够提升特征选择质量,以及相关上游任务的精度和鲁棒性。

基于L_p稀疏正则的图像去模糊方法研究

在图像去模糊问题中,图像的模糊核估计是重中之重.通常图像的梯度服从重尾分布这一先验被广泛的运用于图像的模糊核估计中,然而受限于非凸优化的数值求解方法,人们往往采用图像梯度的L1范数或者L2范数来近似,从而构造出计算较为简单的凸优化能量函数来估计模糊核.为此,本文提出一种基于Lp稀疏正则的非凸优化的模糊核估计方法,该方法以服从超拉普拉斯分布的图像梯度的Lp范数为稀疏先验项,有效的提高了先验知识的准确性的同时增强图像的强边缘,抑制了细小边缘对模糊核估计的影响.在对Lp范数的数值求解问题中,本文采用GISA(generalized iterated shrinkage algorithm)可以简单且有效的求得任意p值下的最优解.实验表明与传统方法相比,本文方法有效地提升图像的质量,去模糊后的图像更加清晰.

基于超拉普拉斯分布的磁化率重建算法

定量磁化率成像由于能够定量分析组织内部的顺磁性物质而受到越来越多的关注。然而由局部场反演出磁化率分布的过程是一个病态反问题,在反演过程中,引入合理的先验信息可以提高结果的准确性。为此,提出基于超拉普拉斯分布的磁化率重建算法,实际人脑实验验证该方法在提高结果准确性方面的优越性。