混合非凸非光滑正则化约束的模糊图像盲复原

为能够复原出高质量的清晰图像,提出一种混合正则化约束的模糊图像盲复原方法。首先,根据模糊核的稀疏性,采用L₀范数的正则项对模糊核进行稀疏约束,以提高模糊核估计的准确性;然后,根据图像梯度的稀疏性,采用混合一阶和二阶图像梯度的L₀范数对图像梯度进行正则化约束,以保留图像边缘信息;最后,由于所提出的混合正则化约束模型本质上是非凸非光滑优化问题,通过交替方向乘子法对模型进行求解,并在非盲反卷积阶段采用L₁范数数据拟合项和全变分的方法复原清晰图像。实验结果表明,所提方法能够复原出更加清晰的细节和边缘信息,复原结果的质量更高。     

结合L1和L2正则化约束的隐语义预测模型研究

在大数据领域中预测高维稀疏矩阵中的缺失数据，通常采用随机梯度下降算法构造隐语义模型来对缺失数据进行预测。在随机梯度下降算法来求解模型的过程中经常加入正则化项来提高模型的性能，由于[L1]正则化项不可导，目前在隐语义模型中主要通过加入[L2]正则化项来构建隐语义模型（SGD_LF）。但因为[L1]正则化项能提高模型的稀疏性增强模型求解能力，因此提出一种基于[L1]和[L2]正则化约束的隐语义（SPGD_LF）模型。在通过构建目标函数时，同时引入[L1]和[L2]正则化项。由于目标函数满足利普希茨条件，并通过二阶的泰勒展开对目标函数进行逼近，构造出随机梯度下降的求解器，在随机梯度下降求解隐语义模型的过程中通过软阈值来处理[L1]正则化项所对应的边界优化问题。通过此优化方案，可以更好地表达目标矩阵中的已知数据在隐语义空间中的特征和对应的所属社区关系，提高了模型的泛化能力。通过在大型工业数据集上的实验表明，SPGD_LF模型的预测精度、稀疏性和收敛速度等性能都有显著提高。     

基于图像局部梯度L0范数正规化的图像分解算法

针对基于梯度L0范数正规化的变分泛函最优化分解图像时误判噪声梯度为边缘梯度的问题,提出一种基于图像局部梯度的L0范数正规化的图像分解算法。该算法构造了一个由保真函数和正则项构成的适用于图像分解的变分泛函,其中正则项用图像的局部梯度的L0范数进行估计,进而通过求解泛函的最小值,以分解出图像的结构信息(即图像的边缘)。与直接基于图像一阶梯度的L0范数的分解算法相比,该算法可以去除噪声梯度的干扰,从而使分解出的图像边缘中不含有噪声。实验结果表明,该算法在分解图像结构和纹理时,既能很好地把边缘保留在图像结构层中,也可把噪声分解到图像结构层外。     

基于双L_0稀疏先验的图像运动去模糊

目前图像的运动去模糊方法在处理较复杂的运动模糊时难以得到理想的效果,其原因之一是这些方法普遍只考虑图像梯度的稀疏性,忽略了模糊核的稀疏性。针对这一不足提出一种新的双L_0正则约束的运动模糊去除方法,该方法同时对自然图像梯度和模糊核使用L_0正则约束,结合半正定二次分裂最小化的方法进行求解优化,实现自然模糊图像梯度和模糊核均稀疏下的模糊核估计,并进一步使用L_(0.5)超拉普拉斯正则约束项恢复最终图像。实验发现,该方法可以较好地去除单幅图像较复杂的运动模糊,更好地克服了估计的模糊核中存在的噪点和错误,得到较现有方法更加理想去模糊效果。     

改进的两步迭代阈值的遥感图像恢复算法

结合小波变换和Contourlet变换的多尺度、多分辨的共性及这两种变换分别适合处理点奇异和线奇异的特点,提出了一种新的联合使用小波正则项和Contourlet正则项的遥感图像恢复算法。算法中逆问题的求解等价于一个无约束凸规划的求解问题,目标函数由观测图像的拟合优度和正则项组成,传统的正则项是一个函数,本文使用两个正则项函数,能更好地利用图像的先验知识。然后根据Besov空间的半范数等价于小波系数的范数这一原理,提出了基于小波变换的联合使用小波正则项和Contourlet正则项的两步迭代阈值算法。对遥感图像的恢复结果表明,该算法在改善的信噪比（ISNR）和相关系数（CORR）等评价指标上都有显著的改善。     

稀疏梯度先验模型的正则化图像复原

传统Lucy-Richardson(LR)算法是一种基于贝叶斯分析的图像复原迭代算法,对高信噪比的退化图像能获得很好的复原结果,但对噪声过于敏感,对低信噪比的退化图像在迭代过程中易造成噪声的放大,虽然有一些正则化方法应用到LR算法中来抑制噪声,但往往容易产生过度平滑的问题。针对这些问题将图像稀疏先验模型作为正则项引入到LR算法中,抑制噪声在迭代过程中的放大。与常规的图像梯度约束算法不同,本文算法中根据模糊图像梯度分布特点的不同提出了可变参数的图像稀疏梯度正则化约束方法,使复原图像的梯度分布参数在迭代过程中更趋近于真实梯度分布,同时通过调整正则项系数可以避免复原图像的过度平滑。实验结果表明,同标准LR算法和常规梯度约束算法相比,本文算法能够实现在抑制噪声放大的同时较好地保留图像的细节。     

基于洛伦兹范数的医学图像超分辨率重建研究

在超分辨率图像重建(SR)模型中,为了达到良好的重建效果,选择一个合适的代价函数是研究的重点。采用SR重建模型中的差错项选择了洛伦兹范数,正则化项选择了吉洪诺夫正则化,重建过程采用了迭代方法。提出的算法可以有效地解决医学图像SR重建过程中的去异值点和图像边缘保持的两大关键问题,达到良好的重建效果。为了验证上述算法的有效性,就一系列添加了运动模糊和不同噪声的低分辨率MRI医学图像进行了SR重建,并且与基于L2范数的重建算法的重建效果进行了比较分析。实验结果显示,所提算法具有良好的实用性和有效性。     

基于L1范数的图像超分辨率及差分统计模型

在L1范数图像超分辨率重建框架下，引入参数自适应估计，该方法对模型误差表现出良好的稳健性并且可以加速收敛。结合差分图像统计特性和概率先验模型，解释了L1范数形式的双边全变差正则项概念，利用Kullback-Leibler距离证明了该正则项的优越性，并分析了混合先验模型在超分辨率重建中应用的可行性等问题。     

基于Moreau-包络的近似平滑迭代磁共振图像重建算法

针对基于压缩感知（CS）的磁共振成像（MRI）稀疏重建中存在的两个非平滑正则项问题,提出了一种基于Moreau包络的近似平滑迭代算法（PSIA）。基于CS的经典MRI稀疏重建是求解一个由最小二乘保真项、小波变换稀疏正则项和总变分（TV）正则项线性组合成的目标函数最小化问题。首先,对目标函数中的小波变换正则项作平滑近似;然后,将数据保真项与平滑近似后的小波正则项的线性组合看成一个新的可以连续求导的凸函数;最后,采用PSIA对新的优化问题进行求解。该算法不仅可以同时处理优化问题中的两个正则约束项,还避免了固定权重带来的算法鲁棒性问题。仿真得到的体模图像及真实磁共振图像的实验结果表明,所提算法与四种经典的稀疏重建算法：共轭梯度（CG）下降算法、TV1范数压缩MRI（TVCMRI）算法、部分k空间重建算法（RecPF）和快速复合分离算法（FCSA）相比,在图像信噪比、相对误差和结构相似性指数上具有更好的重建结果,且在算法复杂度上与现有最快重建算法即FCSA相当。     

空间尺度信息的运动模糊核估计方法

运动模糊核的准确估计是实现单幅运动模糊图像盲复原成功的关键.但是,因为不能准确提取出有利的图像边缘以及简单的正则化约束项的设计,导致现有运动模糊核（motion blur kernel,简称MBK）的估计并不十分准确,存在瑕疵.因此,为了能够估计出准确的运动模糊核,提出了一种基于空间尺度信息的运动模糊核估计方法.首先,为了准确地提取有利的图像边缘,移除有害的图像结构,提出了一种基于图像空间尺度信息的图像平滑模型,实现有利图像边缘的准确快速提取;然后,从运动模糊核的内在特性出发,将空间域的L₀范数和梯度域的L₂范数结合到一起,提出了一种正则化约束模型,很好地保证了运动模糊核的稀疏平滑特性,并结合之前提取出的有利的图像边缘,共同实现运动模糊核的准确估计;最后,采用一种半二次性分裂的交互式最优化策略对提出的模型进行最优化求解.在客观的评价指标和主观的视觉效果上进行了大量实验,其结果证明所提出的方法能够估计出更准确的MBK和复原出更高质量的去模糊图像.     

基于l1/2范数正则化的图像重建方法

为了利用[l1]范数保持图像边缘信息的优势,并兼顾[l2]范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型--[l12]范数正则化方法。相比于经典的[l1]范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。     

暗像素先验的模糊图像盲复原方法

图像的盲去模糊问题是一个长期的且具有挑战性的逆问题。能否找到正确的图像先验是能否复原出高质量清晰图像的关键。因此,为了能够复原出高质量的清晰图像,找到了一种新的且有效的图像先验--图像中的暗像素先验,并提出了一种基于暗像素先验的模糊图像盲复原方法。该方法是基于模糊图像的内在本质特性所提出的,模糊图像中的暗像素是非稀疏的。在模糊过程中,清晰图像中的暗像素会因为与它周围的亮像素进行加权平衡,而导致模糊图像中暗像素的像素值增加,从而导致模糊图像中暗像素的稀疏性降低。因此,利用模糊图像中暗像素的这种非稀疏特性,能够有效区分模糊图像和清晰图像,从而实现模糊图像的盲复原。但是,基于暗像素的先验会导致一种非凸和非线性的最优化问题,为了能够有效地求解提出的模型,引入了一种最小化操作的线性近似来实现提出模型的最优化求解。大量的实验证明了该方法与近几年一些极具代表性的模糊图像盲复原方法相比,具有更好的性能。     

基于非凸全变差正则的核磁共振图像重构算法

针对于核磁共振（MR）图像重构中由于欠采样导致的重构图像不够完整、边缘模糊以及噪声残留等问题,提出了一种基于L₂正则的非凸全变差正则重构模型。首先,以Moreau包络和最小最大凹罚函数为工具构造L₂范数的非凸正则;然后,将其应用于全变差正则上来构造各向同性的非凸全变差正则稀疏重构模型。所提的非凸正则可以有效地避免凸正则中对较大非零元欠估计现象,能够更有效地重构目标的边缘轮廓;同时,在一定条件下可以保证目标函数的整体凸性,从而最后可以利用交替方向乘子法（ADMM）对模型进行求解。仿真实验对若干MR图像在不同的采样模板和采样率下进行了重构。实验结果均表明,与几种典型的图像重构方法相比,所提模型性能更优,相对误差明显降低,峰值信噪比（PSNR）有明显改善,较经典的L₁非凸正则重构模型提升了大约4 dB,并且重构后的图像视觉效果显著提升,有效地保留了原始图像的边缘细节。     

混合特性正则化约束的运动模糊盲复原

目的 为了提高运动模糊图像盲复原清晰度,提出一种混合特性正则化约束的运动模糊盲复原算法。方法 首先利用基于局部加权全变差的结构提取算法提取显著边缘,降低了噪声对边缘提取的影响。然后改进模糊核模型的平滑与保真正则项,在保证精确估计的同时,增强了模糊核的抗噪性能。最后改进梯度拟合策略,并加入保边正则项,使图像梯度更加符合重尾分布特性,且保证了边缘细节。结果 本文通过两组实验验证改进模型与所提算法的优越性。实验1以模拟运动模糊图像作为实验对象,通过对比分析5种组合步骤算法的复原效果,验证了本文改进模糊核模型与改进复原图像模型的鲁棒性较强。实验结果表明,本文改进模型复原图像的边缘细节更加清晰自然,评价指标明显提升。实验2以小型无人机真实运动模糊图像为实验对象,通过与传统算法进行对比,对比分析了所提算法的鲁棒性与实用性。实验结果表明,本文算法复原图像的标准差提升约11.4%,平均梯度提升约30.1%,信息熵提升约2.2%,且具有较好的主观视觉效果。结论 针对运动模糊图像盲复原,通过理论分析和实验验证,说明了本文改进模型的优越性,所提算法的复原效果较好。     

编码曝光图像的L0正则化去模糊重建方法

目标的运动会导致其成像模糊。为了从模糊的图像中恢复清晰的目标图像,本文采用了编码曝光成像技术。与传统相机成像中快门一直处于开启的状态不同,编码曝光相机成像是在快门开启和闭合转换过程中成像。由于在时域快速转换的编码等效为频域较宽的滤波器,因此编码曝光成像有效地保留了目标的高频信息。为了从编码曝光图像中清晰地复原图像,本文设计了能保留图像高频细节的L ₀正则项约束的图像重建和模糊核估计方法。通过待重建图像与模糊核的交替迭代更新来完成图像重建。仿真合成图像和实际采集图像的实验表明,本方法对多种运动产生的模糊均有良好的图像复原效果。     

基于TVGA正则化的室内运动模糊图像恢复

针对室内环境下相机曝光时间长,被摄目标相对相机运动会产生图像模糊的问题,以室内服务移动机器人为研究背景,提出了一种基于Topkis-Veinott梯度法(TVGA)正则化运动的模糊图像恢复方法。此算法首先采用方向导数法估计出运动模糊方向,同时将图像运动模糊方向旋转至水平轴;然后采用自相关函数平均法确定运动模糊长度,并算出运动模糊点扩展函数(PSF);最后采用改进的TVGA最优化正则参数,进而恢复原始图像。与经典的Wiener法和两种正则化恢复方法进行的比较结果表明,用TVGA法正则化恢复的图像效果较好,不仅较接近原始图像,且易于实现。     

基于广义规范化稀疏模型的图像盲去模糊算法

针对基于规范化稀疏先验的图像盲去模糊方法估计精度低、计算速度慢、参数选择敏感等问题,提出一种Tikhonov正则增强的广义规范化稀疏模型,且将其作为中间清晰图像和运动模糊核的共同先验约束。随后,利用算子分裂、交替方向乘子法以及快速傅立叶变换,最小化关于中间清晰图像与运动模糊核的目标函数,导出一种快速图像盲去模糊算法。在标准测试集以及实际彩色模糊图像上的实验结果验证了提出方法的有效性和鲁棒性。此外,在同等条件下与近期文献中的盲去模糊方法进行比较,显示了本文方法在估计精度和估计效率上的双重优势。     

基于Radon变换的运动模糊图像恢复

提出了一种快速自然运动模糊图像恢复算法,采用一种新的基于Radon变换算法来确定模糊核函数;在确定模糊核函数后,对于模糊图像的恢复采用了一种改进的基于l1范数和l2范数混合保真项的变分图像恢复算法。实验结果表明,与Fergus的算法和Levinss的算法比较,所提算法对于一类线性运动占主要因素的强噪声模糊图像的恢复具有更快的速度和良好的恢复效果。     

基于压缩感知的自适应正则化磁共振图像重构

当前基于压缩传感理论的正则化磁共振(CS-MR)图像重构算法普遍采用全局正则化参数,不能很好地在保持边缘和平滑噪声方面做出平衡。为此,提出一种自适应的正则化CS-MRI重构算法。结合图像稀疏性和其局部光滑性的先验知识,采用非线性共轭梯度下降算法求取最优化问题,并在迭代过程中自适应地改变局部正则化参数。新的正则化参数可以更好地恢复图像边缘,并且有利于平滑噪声,使代价函数在定义域内具有凸性;同时先验信息包含于正则化参数中,以提高图像的高频成分。实验结果表明该算法能有效权衡恢复图像边缘和平滑噪声两者的关系。