在多尺度Contourlet域中的SAR图像正则化超分辨

针对SAR图像超分辨重构问题,建立了基于多尺度Contourlet域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。将该算法分别与空域中正则化算法和小波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他两种方法。     

基于多种正则化的改进超分辨率重建算法

为了解决超分辨率图像重建过程中无法同时降低平滑区域噪声和保持图像细节的问题,结合改进的非局部变分（NLTV）和全变分（TV）正则项方法提出一种新的超分辨率重建算法。首先,根据图像重尾分布特性,结合高斯分布、拉普拉斯分布及柯西分布改进了传统NLTV正则项系数,提出了改进的ANLTV正则项。然后利用ANLTV正则项基于分裂Bregman算法重建了初始的高分辨率图像。最后结合TV正则项对重建的高分辨率图像进行去模糊操作,进而得到最终的超分辨率图像重建结果。为验证所提算法的性能,分别利用该算法与传统的TV和NLTV算法进行超分辨率图像重建并对比。实验结果表明,所提出的方法相比于传统的TV和NLTV重建算法,其峰值信噪比、信噪比和结构相似度均有所提高,能够同时满足超分辨率图像重建过程中抑制噪声和保持边缘细节的需求。     

基于L1与TV正则化的改进图像重建算法

针对不完全投影数据图像重建中出现伪影和噪点的问题,提出了L1与TV同时进行正则化的图像重建模型。基于该重建模型,通过将Bregman迭代和TV软阈值滤波相结合,进一步提出了一种图像重建算法。该算法首先将投影数据通过优化的Bregman迭代算法进行初步重建,然后使用TV软阈值滤波对改造的全变分模型进行二次重建,最后判断是否满足设定的收敛阈值,若满足则结束重建,输出重建图像,否则重复进行上述两步操作,直至迭代完成。实验采用不添加噪声的Shepp-Logan模型与添加噪声的Abdomen模型来验证算法的有效性,证明了所提出的算法在视觉上均优于ART,LSQR,LSQT-STF,BTV等典型的图像重建算法,同时通过多项评价指标对比表明所提出的算法有明显优势。实验结果表明,所提算法在图像重建中能够有效去除条形伪影并保护图像细节,同时具有良好的抗噪性。     

Multiplicative noise removal via adaptive learned dictionaries and TV regularization

Multiplicative noise removal is a key issue in image processing problem. While a large amount of literature on this subject are total variation (TV)-based and wavelet-based methods, recently sparse representation of images has shown to be efficient approach for image restoration. TV regularization is efficient to restore cartoon images while dictionaries are well adapted to textures and some tricky structures. Following this idea, in this paper, we propose an approach that combines the advantages of sparse representation over dictionary learning and TV regularization method. The method is proposed to solve multiplicative noise removal problem by minimizing the energy functional, which is composed of the data-fidelity term, a sparse representation prior over adaptive learned dictionaries, and TV regularization term. The optimization problem can be efficiently solved by the split Bregman algorithm. Experimental results validate that the proposed model has a superior performance than many recent methods, in terms of peak signal-to-noise ratio, mean absolute-deviation error, mean structure similarity, and subjective visual quality.     

基于多孔多方向小波的SAR图像正则化超分辨重构

针对SAR图像超分辨重构问题,建立了基于多孔多方向小波域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。最后将该算法分别与空域中正则化算法和小波域及轮廓波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他三种方法。     

基于非负邻域嵌入和非局部正则化的单帧图像超分辨率重建算法

单帧图像超分辨率重建是指利用一幅低分辨率图像,通过相应的算法来获取一幅高分辨率图像的技术。提出了一种基于 非负邻域嵌入和 非局部正则化 的单帧图像超分辨率重建算法,以弥补传统邻域嵌入算法的不足。在训练阶段,首先对低分辨率图像预放大2倍,以保证在放大倍数较大时,高、低分辨率图像块之间的邻域关系也能得到较好的保持;在重建阶段,使用非负邻域嵌入来有效地解决近邻数的选取问题;最后利用图像块的非局部相似性构造非局部正则项对重建结果进行修正。实验结果表明,相对于传统算法,本方法的重建结果纹理丰富、边缘清晰。     

空间自适应正则化超分辨率图像重建

超分辨率图像重建是一个病态问题,在重建过程中需要正则化处理,而正则化重建会引入正则化误差及重建过程中由于病态性而引入的噪声放大误差,且这两类误差均和图像的空间局部特性有关.提出根据图像的局部空间统计特性自适应控制超分辨率图像正则化重建算法,采用图像局部统计方差来区分图像棱边区域及平滑区域,在图像的棱边区域加强图像的约束重建,而在图像的平滑区域加强正则化.实验表明该算法能有效地减小重建误差,算法的信噪比得益优于传统的正则化重建算法及总变分模型重建算法,并且对正则化参数的选择具有一定的鲁棒性.     

多阶导数自适应视频超分辨率重建

传统视频超分辨率重建算法在去除噪声的同时,很难有效保持图像边缘细节信息。针对该问题,构建了一种结合多阶导数数据项和自适应正则化项的视频超分辨率重建算法。在正则化重建模型的基础上,该算法对数据项进行改进,引入能更好描述噪声统计特性的噪声多阶导数,并利用去噪效果较好的全变分(TV)和非局部均值(NLM)正则化项对视频超分辨率重建过程进行约束。此外,为了更好地保持图像细节信息,采用区域空间自适应曲率差分算法提取结构信息,从而对正则化系数进行自适应加权。实验结果表明:在噪声方差为3时,与核回归算法和聚类算法相比,该算法重建视频主观效果边缘更加锐化,局部结构更加正确、清晰;重建视频的均方误差(MSE)平均下降幅度分别为25.75%和22.50%;峰值信噪比(PSNR)分别平均提升了1.35 dB和1.14 dB。所提算法能够在去除噪声的同时有效保持图像的细节特征。     

Robust Wavelet-Based Super-Resolution Reconstruction: Theory and Algorithm

We present an analysis and algorithm for the problem of super-resolution imaging, that is the reconstruction of HR (high-resolution) images from a sequence of LR (low-resolution) images. Super-resolution reconstruction entails solutions to two problems. One is the alignment of image frames. The other is the reconstruction of a HR image from multiple aligned LR images. Both are important for the performance of super-resolution imaging. Image alignment is addressed with a new batch algorithm, which simultaneously estimates the homographies between multiple image frames by enforcing the surface normal vectors to be the same. This approach can handle longer video sequences quite well. Reconstruction is addressed with a wavelet-based iterative reconstruction algorithm with an efficient de-noising scheme. The technique is based on a new analysis of video formation. At a high level our method could be described as a better-conditioned iterative back projection scheme with an efficient regularization criteria in each iteration step. Experiments with both simulated and real data demonstrate that our approach has better performance than existing super-resolution methods. It can remove even large amounts of mixed noise without creating artifacts.     

一种改进的各向异性全变差去噪模型

全变差（TV）正则化模型是最经典的去噪模型,利用分裂的Bregman迭代算法可以简单有效地求解该模型。结合TV-L1模型和OSV模型,提出了一种改进的各向异性全变差去噪模型,并且利用分裂的Bregman迭代算法进行求解。通过数值实验可以看出改进的模型保护了恢复图像的边缘,突出了几何特征和纹理,使其更加清晰,去噪效果比原模型有所提高。     

优化加权TV的复合正则化压缩感知图像重建

目的：压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,本文提出了一种基于优化加权全变差（Total Variation, TV）的复合正则化压缩感知图像重建模型。方法：提出的重建模型是以TV正则化模型为基础的。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,本文引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪（Rudin–Osher–Fatemi,ROF）模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,本文将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果：针对自然图像的不同特性,本文使用复合正则化先验进行建模,实验表明上述重建问题通过我们的方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论：本文提出了一种新的复合正则化压缩感知重建模型。与其它基于TV正则化的重建模型相比,实验结果表明本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。     

亮度—梯度联合约束的车牌图像超分辨率重建

目的 受成像距离、光照条件、动态模糊等因素影响,监控系统拍摄的车牌图像往往并不具备较高的可辨识度。为改善成像质量,提升对车牌的识别能力,提出一种基于亮度与梯度联合约束的车牌图像超分辨率重建方法。方法 首先充分结合亮度约束和梯度约束的优势,实现对运动位移和模糊函数的精确估计;为抑制重建图像中的噪声与伪影,基于车牌图像的文字化特征,进一步确定了亮度与梯度联合约束的图像先验模型。结果 为验证该方法的有效性,利用监控系统获得4组车牌图像,分别进行模拟和真实的超分辨率重建实验。在模拟实验中将联合约束图像先验重建结果与拉普拉斯、Huber-Markov（HMRF）以及总变分（TV）先验的处理结果进行对比,联合约束先验对车牌纹理信息的恢复效果优于其他3种常见图像先验;同时,在模拟和真实实验中,将本文算法与双三次插值、传统最大后验概率、非线性扩散正则化和自适应范数正则化方法的超分辨率重建结果进行比较,模拟实验的结果表明,在不添加噪声情况下,该算法峰值信噪比（PSNR）和结构相似性（SSIM）指标分别为35.326 dB和0.958,优于其他4种算法;该算法在真实实验中,能够有效增强车牌图像纹理信息,获得较优的视觉效果,通过对重建车牌图像的字符识别精度比较,本文算法重建结果的识别精度远高于其他3种算法,平均字符差距为1.3。结论 模拟和真实图像序列的实验结果证明,基于亮度—梯度联合约束的超分辨率重建方法,能够降低运动和模糊等参数的估计误差,有效减少图像中存在的模糊和噪声,提高车牌的识别精度。该算法广泛适用于因光照变化、相对运动等因素影响下的低质量车牌图像超分辨率重建。     

基于PDE正则化的超分辨率图像重构方法

采用非线性扩散模型建立超分辨率图像重构的偏微分方程，利用各向异性扩散方程的方向选择平滑的特性，在重构高分辨率图像的同时能够很好地消除系统噪声，保持细节信息。实验结果表明，该方法有效地提高了重构的图像质量，在视觉观察和数值评价上都优于原有正则化方法，并且对不同噪声水平的图像具有很好的鲁棒性。     

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.     

Bregman交替迭代遥感图像复原方法

针对多种退化因素的遥感图像复原问题,提出一种基于Bregman迭代的遥感图像消除不规则采样、去模糊和去噪总变差复原方法。在此基础上,结合非局部正则化方法,提出一种自适应计算非局部均值滤波器参数的方法。求解时使用交替最小化方法将复杂的复原问题分割为两个容易求解的子问题。实验结果表明,本文方法比其他基于Bregman迭代的方法收敛速度快、复原效果好,且加入非局部正则化后具有更好的纹理细节信息保持能力。     

基于暗原色先验与变分正则化的图像去雾研究

现有雾天图像处理方法能够实现较好的去雾效果,但会丢失部分细节并产生噪声放大的问题。将暗原色先验与基于TV、BH规则项的变分模型相结合,提出一种新的变分去雾模型H-TVBH。根据暗原色先验原理估计图像的初始透射率,采用四叉树分解估计大气光值,将初始透射率和大气光值输入H-TVBH模型中,采用分裂Bregman算法和快速傅立叶变换并引入辅助变量和Bregman迭代参数,通过交替迭代求得优化后的透射率和去雾图像。实验结果表明,H-TVBH在增强图像对比度的同时能够有效抑制图像中的噪声,保留图像的纹理细节,使去雾图像更加清晰自然。     

Reweighted minimization model for MR image reconstruction with split Bregman method

Magnetic resonance(MR) image reconstruction is to get a practicable gray-scale image from few frequency domain coefficients.In this paper,different reweighted minimization models for MR image reconstruction are studied,and a novel model named reweighted wavelet+TV minimization model is proposed.By using split Bregman method,an iteration minimization algorithm for solving this new model is obtained,and its convergence is established.Numerical simulations show that the proposed model and its algorithm are feasible and highly efficient.     

双边全变分的自适应核回归超分辨率重建

正则化方法是目前解决超分辨率重建中病态问题的一种被广泛使用的方法。在分析了现有基于多种正则化超分辨率重建方法的基础上,构造了一种基于双边全变分（BTV）的自适应核回归滤波核,并将它作为正则化超分辨率重构的代价函数,该方法根据图像特征自适应生成正则项的滤波核函数。实验结果表明,与传统的正则化重建方法相比较,该算法既能有效地去除噪声,也能很好地保留图像细节部分,同时还具有一定的鲁棒性。通过客观和主观评价表明,图像重建质量有显著的提高。     

重复加权极小化MR图像模型的分裂Bregman方法重构

核磁共振(magnetic resonance,MR)图像重构的任务是基于小量的频域采样恢复出可供医学诊断的灰度图像.文中研究了各类MR变分重构模型,利用重复加权极小化能增强稀疏性的特性,并结合MR图像重构最有效的小波变分模型,提出了重复加权极小化MR图像重构模型.并借助最新的正则化技术—分裂Bregman方法对模型进行了求解,得到了相应的迭代算法,分析了算法的收敛性.仿真数值实验验证了文中的模型及算法的有效性.     

Bidirectionally aligned sparse representation for single image super-resolution

It has been demonstrated that the sparse representation based framework is one of the most popular and promising ways to handle the single image super-resolution (SISR) issue. However, due to the complexity of image degradation and inevitable existence of noise, the coding coefficients produced by imposing sparse prior only are not precise enough for faithful reconstructions. In order to overcome it, we present an improved SISR reconstruction method based on the proposed bidirectionally aligned sparse representation (BASR) model. In our model, the bidirectional similarities are first modeled and constructed to form a complementary pair of regularization terms. The raw sparse coefficients are additionally aligned to this pair of standards to restrain sparse coding noise and therefore result in better recoveries. On the basis of fast iterative shrinkage-thresholding algorithm, a well-designed mathematic implementation is introduced for solving the proposed BASR model efficiently. Thorough experimental results indicate that the proposed method performs effectively and efficiently, and outperforms many recently published baselines in terms of both objective evaluation and visual fidelity.