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.     

基于法矢量雅可比的总广义变差图像修复模型

图像修复是图像处理领域的基础问题,变分方法是实现图像修复的主要方法之一.经典的一阶变分模型存在阶梯效应,不能有效修复大破损区域.二阶变分模型为克服上述问题做出了改进,但修复后的图像会出现破损区域对比度降低、边界模糊现象.以经典二阶总广义变差模型(Total Generalized Variation,TGV)为基础,提...     

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 (Fast iterative 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.     

改进的二阶总广义变分图像去噪算法

为了有效地去除含噪图像中的噪声,克服总变分（TV）去噪易于导致阶梯效应的缺陷,提出了一种改进的二阶总广义变分（TGV）的图像去噪方法。介绍了二阶TGV的理论基础,在二阶TGV中引入了各向异性扩散张量,利用张量函数引导扩散,获得了新的去噪模型,最后提出了一种扩展了的原始-对偶算法对新模型进行数值求解。新模型充分结合了二阶TGV作为正则项自动平衡了一阶和二阶导数项,以及张量函数的各向异性扩散,有效突出边缘结构的特性。实验结果表明,该方法在有效地去除含噪图像中噪声的同时,避免了阶梯效应,增强了对原始图像中边缘结构的保持。     

结合全变差与自适应低秩正则化的图像压缩感知重构

针对基于固定变换基的协同稀疏图像压缩感知(CS)重构算法不能充分利用图像自相似特性的问题,提出了一种改进的联合全变差与自适应低秩正则化的压缩感知重构方法。首先,通过图像块匹配法寻找结构相似块,并组成非局部相似块组;然后,以非局部相似块组加权低秩逼近替代协同稀疏表示中的三维小波变换域滤波;最后,结合梯度稀疏与非局部相似块组低秩先验构成重构模型的正则化项,并采用交替方向乘子法求解实现图像重构。实验结果表明,相比协同稀疏压缩感知重构(RCoS)算法,该方法重构图像的峰值信噪比平均可提升约2 dB,所提算法在准确描述图像非局部自相似结构特征的前提下显著提高了重构质量,更好地保留了图像的纹理细节信息。     

基于轮廓波局部高斯模型与全变差的彩色滤波阵列插值

彩色图像的彩色滤波阵列(CFA)插值是从单传感器数字相机通过CFA获得的采样图像中重构完整RGB图像的过程。针对Bayer格式图像提出了一种基于轮廓波局部高斯模型与全变差的彩色图像CFA插值算法。为进一步提高图像边缘插值质量,将图像梯度的稀疏性结合到图像插值过程中,并且图像梯度的稀疏性用彩色全变差(CTV)来衡量。实验结果表明,该算法比现有的图像插值算法在峰值信噪比与主观视觉效果两方面均有显著提高。     

非局部的变分正则化图像放大算法

针对Chambolle图像放大模型存在分块效应,提出一种非局部的变分正则化图像放大算法。该算法的思想是构造一个适用于图像放大的变分泛函,该泛函由正则项和数据保真项构成,其中图像的正则项是用非局部全变差范数进行估计,进而用迭代投影方法求泛函的最小解,即为放大后的图像。与传统的图像插值方法不同,该算法是用变分的思想进行图像放大,非局部全变差的引入更使得该算法不只是利用图像的单个像素点,或某一邻域内的灰度和梯度信息进行放大,而是更大范围地利用了图像本身的信息,这将更有效地保留图像特征,避免了Chambolle方法在图像放大时出现的分块效应。实验结果表明,该算法能更好地保留边缘和细节信息,放大图像的清晰度比Chambolle图像放大方法和样条插值的效果要好。     

低剂量CT图像的自适应广义总变分降噪算法

针对低剂量计算机断层扫描(CT)重建图像时出现明显条形伪影的现象,提出一种自适应广义总变分(ATGV)降噪算法。该算法考虑了传统广义总变分(TGV)算法在降噪时模糊图像边缘信息的缺点,把可以有效区分图像平滑区和细节区的直觉模糊熵应用到传统TGV中,对图像的不同区域进行不同强度的去噪,从而达到保护图像细节的效果。该算法首先采用滤波反投影(FBP)算法得到低剂量CT重建图像;然后利用基于直觉模糊熵的边缘指示函数对传统TGV模型进行改进;最后用改进后的模型对重建图像进行降噪处理。采用Shepp-Logan模型和数字胸腔模型(thorax phantom)仿真低剂量CT重建图像来验证算法的有效性。实验结果表明,所提算法的归一化均方距离(NMSD)和归一化平均绝对距离(NAAD)均比总变分(TV)降噪算法和广义总变分(TGV)降噪算法小,且可分别获得26.90 dB和44.58 dB的峰值信噪比(PSNR)。该算法在去除条形伪影的同时可以较好地保持图像的边缘和细节信息。     

非凸总广义变差图像恢复模型

为有效地保护图像的几何结构,提出了一种非凸二阶总广义变差图像恢复模型。该模型引入了类似于[L0]范数的非凸稀疏正则约束,模型能更好地保护图像的结构特征。为有效地计算该模型,采用迭代重加权和原始-对偶算法。数值实验表明,相比于最近的二阶总广义变差方法,该方法获得了较好的实验结果。     

含脉冲噪声模糊图像复原的自适应二阶变分模型 *

针对经典的基于L1数据保真项的总变分图像复原模型易导致阶梯效应和损失图像重要细节的缺陷,提出了一种基于L1数据保真项的二阶总广义变分(Total Generalized Variation, TGV)图像复原模型。为进一步提升含脉冲噪声模糊图像复原质量,在二阶TGV图像复原模型中引入边缘检测算子,使其在图像边缘区域减弱扩散,较好地保护图像边缘特征;在图像平滑区域增强扩散,有效地消除脉冲噪声和抑制阶梯效应。为稳定地复原降质图像,采用交替方向乘子法求解二阶变分模型。实验结果表明,提出的图像复原模型在消除噪声和模糊的同时,能成功抑制阶梯效应并保留图像的边缘结构特征。相比经典的图像复原模型,新模型在信噪比、相对误差和结构相似度等方面均取得了较好的图像复原效果。     

基于Chambolle-Pock算法框架的高阶TV图像重建算法

传统的总变差（TV）最小算法是一种基于压缩感知(CS)的经典迭代重建算法，可以从稀疏数据或含噪数据中高精度地重建图像。然而，TV算法在重建分段常数特征不明显的图像时可能会引入块状伪影，通过研究得出，在图像去噪中使用高阶总变差（HOTV）能有效压制TV模型引入的块状伪影。鉴于此，提出了一种HOTV图像重建模型及其Chambolle-Pock（CP）求解算法。具体来说，以二阶梯度构建二阶TV范数，进而设计了一种数据保真约束的二阶TV最小重建模型，并推导出了相应的CP算法。在理想数据投影和含噪数据投影条件下，分别采用基于波浪背景的Shepp-Logan模体、灰度渐变模体以及真实CT图像模体进行重建实验，并进行定性和定量分析。理想数据投影的重建结果表明，和传统TV算法相比，HOTV算法能有效压制块状伪影并提高重建精度。含噪数据投影的重建结果表明，HOTV算法和TV算法均有良好的抗噪能力，但HOTV算法的保边性能更好且抗噪性更强。在重建分段常数特征不明显而灰度波动特征明显的图像时，HOTV算法是一种比TV算法更优的重建算法。所提HOTV算法可以被推广到各种扫描模式下的CT重建及其他成像模态中。     

自适应步长非局部全变分约束迭代图像重建算法

针对计算机断层成像（CT）系统中,全变分（TV）迭代约束模型易于产生阶梯效应以及不能很好地保存图像中精细结构的问题,提出一种自适应步长的非局部全变分（NLTV）约束迭代重建算法。考虑到NLTV模型能较好保存和恢复图像细节以及纹理的特点,首先将CT模型当成在满足投影数据的保真项的解集中寻找满足特定正则项即NLTV最小化的解约束优化模型;然后,使用代数重建（ART）算法和分离布雷格曼（SB）来确保重建结果满足数据保真项和正则化项的约束;最后,以自适应最速下降-投影到凸集（ASD-POCS）算法作为基础迭代框架来重建图像。实验结果表明,在不含噪声的稀疏重建条件下,提出的算法使用30个角度的投影数据已经可以重建出理想的结果。在含噪稀疏数据重建实验中,该算法在30次迭代时已得到接近最终收敛的结果,且均方根误差（RMSE）是ASD-POCS算法的2.5倍。该重建算法能在稀疏投影数据下重建出精确的结果图像,同时改善了TV迭代模型的细节重建能力,且对噪声有一定的抑制作用。     

基于结构张量的自适应CTV彩色图像恢复模型

讨论一种基于非线性扩散方程的彩色图像去噪方法。在图像去噪的3个基本要求的基础上,总结出调和项模型和彩色总变差去噪模型中的不足,利用图像的局部信息构造函数使得模型在接近图像边缘处各向异性平滑并保持边界。在平坦区域各向同性平滑,防止阶梯效应的产生,并利用角点信息保持了角点形状。实验结果表明,所建模型能够较好地保持图像中目标的几何结构,同时具有良好的去噪能力。     

基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明：一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。     

正则化超分辨率重建过程的自适应阈值去噪

为了提高正则化超分辨率技术在噪声环境下的重建能力,对广义总变分（GTV）正则超分辨率重建进行了扩展研究,提出了一种自适应阈值去噪的方法。首先,根据GTV正则超分辨率重建算法进行迭代重建;然后,利用推导出的自适应阈值矩阵,对每次迭代产生的代价矩阵进行阈值划分,小于阈值的对应像素点继续迭代,大于阈值的对应像素点被截断后重新插值并不再参与本轮迭代;最后,程序达到收敛条件时输出重建结果。实验结果表明,通过与单一GTV正则重建和自适应参数的方法相比,自适应阈值去噪的方法提高了收敛速度和重建图像的质量,使正则化超分辨率技术在噪声环境下有更好的重建能力。     

基于结构张量的视频超分辨率算法

针对传统正则化超分辨率（SR）重建模型中,正则化参数选择过大会使重建结果模糊,导致边缘和纹理等细节丢失,选择过小模型去噪能力又不足的问题,提出一种基于结构张量的双正则化参数的视频超分辨率重建算法。首先,利用局部结构张量对图像进行平滑区域和边缘的检测;然后,利用差异曲率对全变分（TV）进行先验信息加权;最后,对平滑区域和边缘采用不同的正则化参数进行超分辨率重建。实验数据显示提出的算法将峰值信噪比（PSNR）提高了0.033～0.11 dB,具有较好的重建效果。实验结果表明：该算法能够有效地提升低分辨率（LR）视频帧重建效果,可应用于低分辨率视频增强、车牌识别和视频监控中感兴趣目标增强等方面。