基于加权TGV模型的原始对偶图像放大算法

文中提出了一种新的基于加权TGV(Total Generalized Variation)的图像放大模型。该模型在克服阶梯效应的同时,可以更好地保持图像的结构信息。数值计算中,文中采用原始对偶算法快速求解。通过与标准TGV图像放大算法相比较,数值实验表明文中的模型与算法在信噪比、均方误差以及视觉效果方面均有明显改进。

二阶广义总变分约束的太阳图像多帧盲解卷积

盲解卷积是常用的自适应光学图像事后重建方法之一。为提高盲解卷积对太阳(自适应光学)图像的重建效果,本文提出了基于二阶广义总变分的空变多帧盲解卷积算法。该算法首先利用交替最小化和半二次分裂方法求解本文提出的二阶广义总变分约束的空不变多帧盲解卷积模型;然后针对非等晕大视场太阳图像特性,利用重叠分块与加权拼接实现空变盲解卷积扩展。在一米新真空太阳望远镜(NVST)观测的真实太阳图像上进行的重建实验与分析表明,本文算法在主观视觉效果和客观指标上均具有较好的图像重建效果。

二阶总广义变分图像放大

为了在图像放大中获得更好的视觉效果,提出了一种基于总广义变分性质的变分放大模型.该模型将原始低分辨图像作为被估计的高分辨放大图像到所在空间的某个子空间的投影,利用二阶总广义变分正则化迭代处理得到被估计放大图像.通过分析新模型的性质,给出了一种有效的原始对偶放大算法.实验结果表明:该方法能去除总变分放大方法产生的图像阶梯块效应,恢复更多的细节边缘及纹理信息,从而重构出高质量的图像;相比于总变分图像放大方法和小波图像放大方法,该方法具有更高的峰值信噪比和更小的均方误差.

基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.

基于耦合偏微分方程的煤矿图像去噪算法

针对煤矿复杂环境下矿井图像具有噪声大、照度低的问题,提出了一种基于二阶与四阶偏微分方程耦合的煤矿图像去噪算法。该算法利用差分曲率边缘检测算子将二阶与四阶偏微分方程模型有效耦合,保持图像边缘,利用尺度因子保护图像纹理细节。实验结果表明,该算法能很好地保持图像边缘、保护图像纹理细节,且收敛速度快,可避免阶梯效应。

基于二阶广义全变差正则项的模糊图像恢复算法

针对图像去模糊问题,采用二阶广义全变差作为修复图像的正则项构建恢复模型,并针对重建模型的高阶与非光滑特性,给出了基于分裂Bregman迭代的快速算法.实验结果表明,该模型和数值算法能够较好地恢复被噪声和模糊污染的图像,同时可以很好地保留图像的纹理和细节信息.

基于加权总广义变差的Mumford-Shah模型

给出了加权总广义变差(Total generalized variation,TGV)的定义.利用图像的2阶加权TGV半范作为正则项,利用水平集函数的2阶加权TGV半范近似边界长度,提出了基于加权TGV的Mumford-Shah模型.对未知函数分别利用交替Split-Bregman方法、Fenchel对偶方法及FISTA(Fas titerative shrinkage-thresholding algorithm)给出数值计算模型.仿真实验结果表明,利用图像的2阶加权TGV半范的去噪效果优于常用的梯度模2范数和加权TV(Total variation)半范正则化;利用水平集函数的2阶加权TGV半范近似边界长度的边缘检测效果优于传统的TV半范和加权TV半范约束.

利用小波和二阶总广义变分的图像放大方法

将小波多分辨分析与二阶总广义变分相结合,利用原图像作为放大图像的小波低频子代,估计高频,重构后的放大图像用二阶总广义变分进一步迭代处理,得到了一种新的图像放大方法.由于二阶总广义变分能去除图像的块效应,更好地恢复图像的细节纹理信息,因而能够重构出高质量的图像.实验仿真表明,该算法不但能达到比较好的放大效果,而且去噪效果也令人满意.

基于低分辨率彩色指导图像的深度图像超分辨率重建

传统的以彩色图像为指导的深度图像超分辨率(SR)重建方法,参考图像必须为高分辨率彩色图像,彩色图像的分辨率决定了深度图像的放大上限。同时,实际应用中可能只存在低分辨率彩色图像,此时上述方法也不再适用。为此,探讨使用任意分辨率彩色图像为指导的深度图像SR重建方法。首先,使用大量不同类别的图像SR算法对输入彩色图像进行上采样,得到高分辨率彩色图像并以此作为指导图像,然后采用基于二阶总广义变分方法,将由低分辨率彩色图像重建得到的图像作为正则约束项,添加图像边缘信息,构建目标函数,将深度图像SR重建问题转化为最优化问题,再通过原-对偶方法求解,最终得到高分辨率深度图像。探讨了之前被相关方法所忽略的情形,该方法可以适用于任意分辨率的彩色指导图像。并且通过相关实验发现了令人惊异的现象,即通过使用低分辨率彩色图像放大后作为指导,可以得到与使用高分辨率彩色指导图像相近甚至更好的结果,对相关问题的研究和应用具有一定参考意义。

基于紧框架的二阶总广义变分图像修复模型

针对传统总广义变分(TGV)小波修复模型采用单一小波基变换,仅对纹理细节信息较少且结构简单的图像有很好修复能力的缺点,提出一种紧框架域下的总广义变分正则化修复模型。不同于经典小波变换,紧框架系统具有冗余、时移不变和线性相位等图像处理过程中较为重要的特性。新模型通过引入多层紧框架分解系数的低阶与高阶导数项建立正则化项,获取图像不同尺度多方向上的特征信息来对图像进行约束。模型的数值实现采用分裂技术与原始-对偶方法相结合的优化算法(PDSBA),交替迭代求解两个易于处理的子问题,提高了图像修复过程的处理效率。相比于传统模型,所提模型不仅具有保边性能,而且对含有较多细节或纹理信息的图像也有较好的修复效果。实验结果显示,三个修复性能指标:峰值信噪比(PSNR)、平均绝对误差(MAE)和结构相似测度(SSIM)均获得显著提升。

自适应加权的二阶总广义变分图像去噪

针对全变分(total variation,TV)模型在图像去噪过程中易于产生"阶梯效应"的缺点,提出了一种改进的二阶总广义变分(total generalized variation,TGV)图像去噪模型。新模型中,利用Kirsch边缘检测算子提取到的图像纹理信息,在二阶TGV去噪模型的正则项中引入一个边缘指示函数引导扩散。实验表明,与经典的TV去噪模型和二阶TGV去噪模型相比,新模型无论是在视觉效果上还是在峰值信噪比(PSNR)和均方误差(MSE)方面都有明显的改善,在有效地去除噪声的同时自适应地保护图像的边缘信息和细小的纹理结构信息。

基于Lp收缩算子的改进广义全变分去噪方法

二阶广义的全变分模型是一种建立在全变分模型的思想之上进行改进的图像去噪模型,该模型是一种考虑了一阶以及高阶梯度稀疏性的模型,能够有效地抑制阶梯伪影效应的产生。Lp收缩算子相比于L1算子增加了一个自由度,它能够更好地刻画稀疏梯度信息,同时Lp收缩算子的等高线对噪声更加鲁棒。考虑到Lp收缩算子的优势,将Lp收缩算子引入二阶广义全变分去噪模型,提出改进的二阶广义全变分Lp收缩算子模型(TGV2-Lp)。利用交替乘子迭代法对模型进行求解,引入快速傅里叶算法提高算法效率。通过测试6组图片、对比传统的3种去噪模型,从实验结果可以得出,提出的模型TGV2-Lp在有效保留图片边缘细节信息的同时,能够有效去除噪声,在视觉效果、峰值信噪比和结构相似性都有一定优势.

二阶广义总变分JPEG2000核磁共振图像解码算法

针对低比特JPEG2000核磁共振图像中的压缩痕迹问题,提出一种二阶广义总变分JPEG2000解码后处理方法。通过消除总变分图像分段连续的假设,得到一个二阶广义总变分JPEG2000解码模型,利用原对偶算法求解所提出的解码模型得到一个迭代解码算法,对两幅核磁共振图像进行实验仿真。在SNR值、视觉效果等方面进行比较,二阶广义总变分解码效果优于传统总变分解码图像。

结合同场景彩色图像的深度图超分辨率重建

针对飞行时间相机获取深度图像分辨率低,并受成像噪声干扰的问题,提出一种插值深度图和高分辨率彩色图像联合约束的二阶广义全变分(TGV)深度图超分辨率重建方法。首先利用传统插值和多尺度形态学方法进行预处理,获取插值深度图的梯度信息,然后将插值深度图和同场景高分辨率彩色图像两者的梯度信息联合,对二阶TGV模型中的正则化项加以优化:计算各项异性扩散张量时结合插值深度图的梯度信息;引入由插值深度图梯度信息决定的加权因子,控制重建过程中扩散强度。最后通过原始对偶算法完成深度图的超分辨率重建。实验结果表明,本文方法在抑制噪声的基础上,有效保护了深度边缘,可以获得较好的高分辨率深度图像。

彩色图约束的二阶广义总变分深度图超分辨率重建

目的针对深度图像分辨率非常低的问题,结合同场景高分辨率彩色图像,提出一种基于彩色图约束的二阶广义总变分深度图超分辨率重建方法。方法首先将低分辨率深度图映射到高分辨率彩色空间;然后利用二阶广义总变分模型,将带有边缘指示函数的高分辨率彩色约束项作为正则项,使得深度图像超分辨率重建问题变成最优求解问题;最后通过迭代重加权和原—对偶方法进行求解。结果实验结果表明,本文方法可以有效地保护图像的边缘结构,在定性和定量两个方面都可达到很好的效果。结论本文方法可以有效地解决深度图分辨率非常低的问题。

基于一种高阶正则化模型的光流估计方法

在光流分析技术中,为了能够在特殊情况下提高光流估计的准确性,提出一种扩展总广义变差(Ext-TGV)的光流估计方法。方法通过引入新的高阶正则项,将经典的二阶TGV进行非局部扩展,从而有利于实施分段仿射,且可将柔性分割信息包含在正则项内,在光流估计中能准确提供局部运动边界以及解决匹配项中的模糊问题;提出一个新匹配项,使其能较好地克服光照变化和尺度变化。通过在KITTI和SINTEL数据上的实验结果表明,与现有的光流评估方法相比,本文提出的光流估计方法能显著的提高光流估计的准确性。

二阶变分图像恢复模型的重启动快速ADMM方法

目的基于二阶导数的图像恢复变分模型可以同时保持图像边缘与光滑特征,但其规则项的非线性、非光滑性,甚至非凸性制约着其快速算法的设计。针对总拉普拉斯(total Laplacian,TL)与欧拉弹性能(Euler’s elastica,EE)两种图像恢复变分模型,在设计快速交替方向乘子法(fast alternating direction methods of multipliers,fast ADMM)的基础上引入重启动策略,以有效消除解的振荡,从而大幅提高该类模型计算效率,并为其他相近模型的快速算法设计提供借鉴。方法基于原始ADMM方法设计反映能量泛函变化的残差公式,在设计的快速ADMM方法中根据残差的变化重新设置快速算法的相关参数,以避免计算过程中的能量振荡,达到算法加速目的。结果通过大量实验发现,采用原始ADMM、快速ADMM和重启动快速ADMM算法恢复图像的峰值信噪比(peak signal-to-noise ratio,PSNR)基本一致,但计算效率有不同程度的提高。与原始ADMM算法相比,在消除高斯白噪声和椒盐噪声中,对TL模型,其快速ADMM算法分别提高6%法提高100%动快速ADMM算法分别提高100%ADMM算法的计算效率基本相同。结论对于两种典型的二阶变分图像恢复模型,本文提出的快速重启动ADMM算法比原始ADMM算法及快速ADMM算法在计算效率方面有较大提高,计算效率对不同惩罚参数组合具有鲁棒性。本文设计的算法对于含其他形式二阶导数规则项的变分图像分析模型的重启动快速算法的设计可提供有益借鉴。