优化重加权L1范数的图像盲复原算法

在单幅运动模糊图像的盲复原问题中,图像中强边缘部分的利用成为模糊核估计的关键所在.为此,本文提出了一种优化重加权L1范数的图像盲复原算法.首先,建立了基于加权L1范数的模糊核盲估计模型,并引入了一种图像平滑模型对权重进行优化估计,从而减少计算权重时受细小结构以及噪声的影响,其次,设计了模糊核盲估计模型求解的迭代收缩阈值数值算法,最后采用了一种基于超拉普拉斯先验的快速图像非盲复原算法对模糊图像进行复原.仿真和实际数据实验结果验证了本文算法的有效性.     

基于降质信息估计的盲图像复原算法

针对低质量图像的复原重建问题,提出了一种基于降质信息估计的盲图像复原算法.该算法主要包括噪声估计网络、模糊核估计网络和重建网络3部分.首先分别通过噪声估计网络和模糊核估计网络,对图像噪声水平和模糊核进行估计;其次,将估计所得噪声水平和模糊核作为降质信息,并联合待处理的低质量图像一起输入重建网络,以帮助获得更好的重建效果...     

基于多尺度编解码器网络的运动图像盲去模糊

为避免因模糊核估计不准确而使得复原后的图像易造成欠去模糊或过度去模糊等问题,提出了一种基于多尺度编解码器网络去模糊模型。首先,在传统的编解码器网络中加入跳跃连接和多尺度循环连接,结合各层图像特征信息的同时使网络训练得更加稳定。其次,将提出的编解码器网络与改进的嵌套残差网络结合,采用由“粗”到“精”的方法进一步提取不同尺度的图像信息,以增强图像的纹理细节。最后,采用端到端的模式,将模糊图像直接进行盲去模糊操作,最终输出清晰图像。改进后的多尺度网络模型具有更少的参数,网络结构更加简单,不需要模糊核估计环节。在GoPro和Khler数据集上的实验结果表明,本文方法相较于传统的SFD方法,PSNR分别提升约6.61dB和2.13dB,相较于MRF CNN、Multi-scale CNN以及DeblurGAN等基于CNN的方法,PSNR分别最高提升约5.61dB和1.59dB,实验结果均优于另外4种方法,复原后的图像更接近真实图像,纹理细节更加清晰,是一种有效的运动图像去模糊方法。     

TDI遥感图像中畸变像移模糊的去除

采用离轴三反射结构的大视场空间相机存在较大的光学畸变,导致引入时间延迟积分(Time Delay Integration, TDI)技术的面阵探测器在推扫成像时产生像移模糊。根据畸变引起的TDI成像退化原理,将畸变像移模糊转化为非均匀运动模糊,通过求解像移路径计算初始模糊核,将其作为先验信息,建立半盲复原模型进一步细化模糊核。利用初始模糊核复原的粗略图像边缘指导模糊核的细化,提出一种多方向权重异性的全变差模型提取图像结构信息。为了增强先验信息对模糊核细化的约束,构建了含有初始模糊核的正则项,使模糊核的估计不过度依赖于图像内容,采用多尺度迭代方法求解。最后用正则化约束的非盲反卷积方法去除图像模糊。实验结果表明:与现有的几种去模糊算法相比,所提方法的去模糊效果不仅清晰自然且对不同样本图像的模糊核估计更稳定。     

多约束的运动模糊图像盲复原方法

运动模糊图像的盲复原一直以来都是一个极具挑战的问题。为了能够准确地估计出运动模糊核(Motion Blur Kernel:MBK),进而得到高质量的复原图像,提出了一种基于正则化技术的多约束运动模糊图像盲复原方法。首先,为了能够准确地提取出图像中的大尺度边缘,提出了一种基于梯度选择的稀疏图像平滑方法;然后,在MBK的估计阶段,根据运动模糊核的内在特性,提出了一种多约束的正则化模型,同时结合提取的大尺度图像边缘,实现了对MBK的准确估计;最后,采用了半二次性的变量分裂策略对在模糊核估计阶段所提出的多约束正则化模型进行最优化求解,能够在准确估计MBK的同时得到高质量的复原图像。分别在人造的模糊图像和真实的模糊图像上进行了大量的实验,实验结果表明:提出的方法较近几年的一些代表性的较为成功的运动模糊图像盲复原方法相比,在主观的视觉效果和客观评价指标两方面都具有明显的改进。     

基于图像先验和结构特征的盲图像复原算法

提出了一种基于图像先验和图像结构特征的盲图像复原算法,在模糊核未知的情况下,采用一系列离散化的模糊核参数对模糊图像进行非盲去卷积,得到一系列对应的复原图像。同时提出一种复原图像判决准则,对这一系列复原图像进行质量判决,从中得到最优的复原图像。最后在实验部分,通过对图像的测试表明,提出的盲图像复原算法能较准确的得到最优复原图像,复原效果在主观和客观标准上均有良好表现。     

基于边缘信息的运动模糊图像的鲁棒盲复原

为获得适用于不同模糊图像且简捷的图像盲复原方法,提出了一种稳健的从单幅模糊图像中求取模糊核并对图像去模糊的图像盲复原方法。根据模糊图像与非模糊图之间的边缘关系求模糊核,并在多尺度框架下针对各个子算法设定自适应参数,从而构建一个稳健的图像盲复原方法。对复原结果用4种无参考的图像质量评价方法的评价结果显示,本文方法在噪声和...     

基于倒谱与频谱分析的模糊核估计算法

图像盲去模糊是典型的图像和信号处理问题,其目的是从模糊图像中恢复出模糊核及清晰图像。在模糊核估计方面,以往的算法通常将模糊核尺度作为必要的输入参数,近年来有些算法虽然能较准确的估计参数化模糊核,但不能有效估计自然模糊图像中普遍存在的非参数化模糊核。文中利用图像梯度倒谱估计模糊核后再利用频谱分析以进一步精确的估计小尺寸模糊核的尺度。实验结果表明,文中提出的方法能适用于绝大多数场景下自然模糊图像的模糊核尺度估计。     

基于改进生成对抗网络的红外图像增强算法

针对红外图像细节分辨率不高、目标边缘模糊等，提出一种基于改进生成对抗网络的红外图像增强算法。首先，基于编码解码网络U-Net构建生成器，优化U-Net跳跃连接方式，融合全局上下文模块，实现全局和局部特征的上下文建模；然后，基于胶囊网络构建鉴别器，结合Res2Net改进胶囊网络结构，并对胶囊网络全连接层进行反卷积重构，实现多尺度图像特征提取，减少模型参数冗余。实验表明，与当前主流算法相比，该算法能有效突出细节信息、抑制噪声，提高图像分辨率和视觉效果。     

多正则化混合约束的模糊图像盲复原方法

图像复原是一个长期的且极具挑战性的逆问题。为了实现模糊图像的盲复原,该文提出一种多正则化混合约束的模糊图像盲复原方法。首先,运用一种图像的局部结构提取策略(Local Structure Extraction Scheme, LSES)将图像中的大尺度图像边缘准确地提取出来。然后,在模糊核(Blur Kernel, BK)的估计阶段,将提取的大尺度图像边缘与前期研究中所提出的一种结合稀疏性和平滑特性的双重正则化约束模型相结合,实现模糊核更加准确的估计。在图像的复原阶段,为了得到高质量的复原图像,提出一种结合全变差(Total Variation, TV)模型和Shock滤波器不变特性的多正则化约束模型,从而实现模糊图像的清晰化复原。最后,通过半二次性的变量分裂策略对提出的模型进行最优化求解,能够在准确地估计出BK的同时得到高质量的复原图像。在人造的模糊图像和真实的模糊图像中进行了大量的实验,证明了所提方法的有效性,且与近几年的一些极具代表性的模糊图像盲复原方法相比,不仅主观视觉效果得到了显著的增强,而且客观评价指标也得到了明显的改进。     

Kernel estimation from salient structure for robust motion deblurring

Blind image deblurring algorithms have been improving steadily in the past years. Most state-of-the-art algorithms, however, still cannot perform perfectly in challenging cases, especially in large blur setting. In this paper, we focus on how to estimate a good blur kernel from a single blurred image based on the image structure. We found that image details caused by blur could adversely affect the kernel estimation, especially when the blur kernel is large. One effective way to remove these details is to apply image denoising model based on the total variation (TV). First, we developed a novel method for computing image structures based on the TV model, such that the structures undermining the kernel estimation will be removed. Second, we applied a gradient selection method to mitigate the possible adverse effect of salient edges and improve the robustness of kernel estimation. Third, we proposed a novel kernel estimation method, which is capable of removing noise and preserving the continuity in the kernel. Finally, we developed an adaptive weighted spatial prior to preserve sharp edges in latent image restoration. Extensive experiments testify to the effectiveness of our method on various kinds of challenging examples.     

凹凸范数比值正则化的快速图像盲去模糊

模糊图像可表示为清晰图像和模糊核函数的卷积,由模糊图像恢复出清晰图像,需要同时估计模糊核和清晰图像,因此是一个病态问题.优化含有先验项的代价函数是求解病态问题最有效方法之一.针对图像盲去模糊问题,本研究提出具有更强稀疏表达能力的凹凸范数比值正则化先验项,在用变量分裂法求解模型时,提出用L1范数保真项更新估计图像,在更新模糊核时,提出使用线性递增权重参数对模糊核按多尺度方法由粗到细逐步估计,当获得模糊核后,利用封闭阈值公式估计清晰图像.该方法能快速得到高质量的清晰图像,实验结果验证了模型的有效性和算法的快速性.     

Motion blur kernel estimation in steerable gradient domain of decomposed image

Blind deblurring, typically underdetermined or ill-posed problem, has attracted numerous research studies over the recent years. Various priors of either the image or the blur kernel are proposed to establish various regularization models to estimate the blur kernel. And sharp edges are often employed as an important clue to recover the blur kernel. However, due to the harmful effects caused by textures and various artifacts, sharp edges are not always beneficial to the kernel estimation. To address this problem, this paper presents a step-edge based blind image deblurring algorithm using steerable gradients. The proposed algorithm adopts a coarse-to-fine multiscale framework with step-edge restoration, kernel estimation and latent image estimation. In each scale, the step-edges are detected and refined through fast image decomposition and thresholding on steerable gradients, while the kernel and latent image are estimated by minimizing the quadratic energy functionals with steerable gradients. Because each of the minimizing functional has a closed-form solution, and can be implemented by using FFTs, our algorithm is also very fast. Experimental results on both synthetic and real data demonstrate that our method outperforms most existing single image blind deblurring methods.     

基于迭代交替优化的图像盲超分辨率重建

基于深度卷积神经网络的图像超分辨率重建算法通常假设低分辨率图像的降质是固定且已知的,如双3次下采样等,因此难以处理降质(如模糊核及噪声水平)未知的图像。针对此问题,该文提出联合估计模糊核、噪声水平和高分辨率图像,设计了一种基于迭代交替优化的图像盲超分辨率重建网络。在所提网络中,图像重建器以估计的模糊核和噪声水平作为先验信息,由低分辨率图像重建出高分辨率图像;同时,综合低分辨率图像和估计的高分辨率图像,模糊核及噪声水平估计器分别实现模糊核和噪声水平的估计。进一步地,该文提出对模糊核/噪声水平估计器及图像重建器进行迭代交替的端对端优化,以提高它们的兼容性并使其相互促进。实验结果表明,与IKC, DASR, MANet, DAN等现有算法相比,提出方法在常用公开测试集(Set5, Set14, B100, Urban100)及真实场景图像上都取得了更优的性能,能够更好地对降质未知的图像进行重建;同时,提出方法在参数量或处理效率上也有一定的优势。     

基于多尺度密集连接和U-Net改进的动态场景去模糊算法

针对现有去运动模糊网络在图像恢复过程中出现的纹理细节丢失、无法抑制噪声、产生振铃伪影等问题,提出一种基于多尺度密集连接和U-Net改进的动态场景去模糊算法。首先,借助U-Net网络中空洞卷积下采样有效扩大感受野,在不增加参数量的情况下避免图片产生不可逆损伤,并利用亚像素卷积在上采样过程中以小的卷积核获得清晰的图像细节,降低运算复杂度;其次,设计多尺度密集特征提取模块(multi-scale dense feature extraction, MDFE),通过密集连接的卷积层加强深层次特征提取和复用,运用空间金字塔池化(spatial pyramid pooling, SPP)分支引导多尺度特征的传递和融合,促进图像细节纹理的有效保留;最后,采用ConvLSTM双向连通结构(bidirectional convolution LSTM unit, BCLU)以非线性方式从编码路径补偿简单级联流失的上下文特征,推动深度特征跨阶段相互作用,弱化边缘伪影和噪声干扰。与现有先进方法对比,验证了本文所提算法在性能上的优势。     

An improved image blind deblurring based on dark channel prior

In order to solve the ringing effect caused by the incorrect estimation of the blur kernel, an improved blind image deblurring algorithm based on the dark channel prior is proposed. First, in the blur kernel estimation stage, high-pass filtering is introduced to enhance the image quality and enhance the edge information to make the blur kernel estimation more accurate. A combination of super Laplacian prior and dark channel prior is introduced to estimate the potential clear image. Then the accurate blur kernel is estimated through alternate iterations from coarse to fine. In the image restoration stage, a weighted least square filter is introduced to suppress the ringing effect of the original clear image to further improve the quality of image restoration. Finally, image deconvolution based on Laplace priors and L₀ regularized priors is used to restore clear images. Experimental results show that our approach improves the peak signal-to-noise ratio(PSNR) by about 0.4 d B and structural similarity(SSIM) by about 0.01, respectively. Compared with the existing image deblurring algorithms, this method can estimate the blur information more accurately, so that the restored image can achieve the effect of keeping the edges and removing ringing.     

Single image deblurring with cross-layer feature fusion and consecutive attention

Single image deblurring aims to restore the single blurry image to its sharp counterpart and remains an active topic of enduring interest. Recently, deep Convolutional Neural Network (CNN) based methods have achieved promising performance. However, two primary limitations mainly exist on those CNNs-based image deblurring methods: most of them simply focus on increasing the complexity of the network, and rarely make full use of features extracted by encoder. Meanwhile, most of the methods perform the deblurred image reconstruction immediately after the decoder, and the roles of the decoded features are always underestimated. To address these issues, we propose a single image deblurring method, in which two modules to fuse multiple features learned in encoder (the Cross-layer Feature Fusion (CFF) module) and manipulate the features after decoder (the Consecutive Attention Module (CAM)) are specially designed, respectively. The CFF module is to concatenate different layers of features from encoder to enhance rich structural information to decoder, and the CAM module is able to generate more important and correlated textures to the reconstructed sharp image. Besides, the ranking content loss is employed to further restore more realistic details in the deblurred images. Comprehensive experiments demonstrate that our proposed method can generate less blur and more textures in deblurred image on both synthetic datasets and real-world image examples.     

红外与可见光图像注意力生成对抗融合方法研究

目前,基于深度学习的融合方法依赖卷积核提取局部特征,而单尺度网络、卷积核大小以及网络深度的限制无法满足图像的多尺度与全局特性.为此,本文提出了红外与可见光图像注意力生成对抗融合方法.该方法采用编码器和解码器构成的生成器以及两个判别器.在编码器中设计了多尺度模块与通道自注意力机制,可以有效提取多尺度特征,并建立特征通道长...