自适应加权编码L1/2正则化的图像重建算法

针对图像重建过程中噪声去除问题,提出一种自适应加权编码L_1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L₁-L₂混合误差模型(IHEM)算法,该算法兼顾了L₁范数与L₂范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L_1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L_1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 dB,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。     

基于L1/2正则化的超分辨率图像重建算法

为提高图像重建质量,研究超分辨率图像重建技术与稀疏表示理论,提出一种基于L1/2正则化的超分辨率图像重建算法.将L1/2正则化理论运用到字典学习中,利用学习得到的字典重建高分辨率图像.实验结果表明,该算法的图像重建效果优于基于L1正则化的超分辨率图像重建算法.     

耦合光度配准的双边全变差正则化MAP超分辨率重建算法

针对曝光量不同的序列图像超分辨率重建问题,提出一种耦合光度配准的双边全变差正则化MAP超分辨率重建算法。首先计算感兴趣区域图像的方向梯度直方图(HOG)并以此为匹配的特征,其次采用直方图匹配的方法估算序列图像之间的光度映射函数,最后采用双边全变差正则化的超分辨率重建算法进行重建。通过计算重建图像的平均梯度、标准差及图像对比度发现,该算法能够有效提高重建图像的细节信息,并能有效减小重建图像间的亮度差异,提高图像对比度。     

L_1和L_2混合范式超分辨率重建的车牌识别

针对视频中低分辨率图像的车牌识别准确率低的问题,提出一种结合L_1和L_2混合范式的序列图像超分辨率重建的车牌识别技术。首先对序列低分辨率图像进行L_1和L_2混合范式超分辨率重建,其次对重建后得到的一帧高分辨率图像进行基于HSV颜色模型车牌定位,然后对分割出的字符采用方向梯度直方图和支持向量机相结合的方法进行车牌识别。实验结果显示提出的算法对车牌中的字符识别效率高达96%,对比于传统的基于特征匹配和BP神经网络的车牌识别算法对字符的识别有明显的改善。结果表明,通过L_1和L_2混合范式的超分辨率重建处理,将方向梯度直方图和支持向量机相结合的识别方法对车牌中的字符有较好的识别效果。     

L1范数的总变分正则化超分辨率图像重建

超分辨率图像重建技术能够综合利用多帧离散图像、多组视频序列、或单帧图像与训练样本图像之间的互补信息,重建质量更好、空间分辨率更高的图像数据,弥补原有图像数据空间分辨率的不足,提高图像空间解像力和清晰度。介绍了基于正则化方法的超分辨率图像重建的研究现状和以正则化为基础的几种重建方法在近几年的研究和发展趋势。在此基础上,采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘。实现了对包含文字信息的图像的正则化超分辨率重建,实验验证了方法的有效性。     

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。     

正则化算法在CT图像重建上的应用

由于受数据采集时间、照射剂量、成像系统扫描的几何位置等因素的约束,计算机断层成像（Computed tomography,CT）技术目前只能在有限角度范围或在较少的投影角度得到数据,这些都属于不完全角度重建问题. 因此,图像重建的算法应用变得尤为重要,本文将现有的几种正则化超分辨率重建算法应用到CT图像重建上并做了一系列的对比分析,分析不同算法下不同的图像重建效果. 首先对低分辨率CT图像进行图像配准,然后再进行样条插值放大,最后运用相关正则化算法进行超分辨率图像重建. 实验结果表明正则化算法的应用一定程度上提高了图像分辨率,其中双边正则化下的重建效果最好,基于L2范数全变分正则化效果较差.     

基于混合仿射模型配准的IBP超分辨率重建

针对传统的配准只考虑几何因素的不足,提出一种基于几何和光度混合仿射模型的配准迭代算法。该算法避免keren算法因为角度的泰勒级数展开所带来的误差,大幅提高配准精度,而且使图像亮度得到保持。与传统的仿射变换相比,平均平移误差精度达到了0.165个像素。采用迭代反投影算法对配准后的图像序列进行超分辨率重建。实验结果表明,超分辨率重建结果的信噪比和结构相似度有了较大提高。     

基于凸集投影（POCS）的车牌图像超分辨率重建研究

针对车牌识别中所拍摄的图像序列存在分辨率较低的问题,提出了利用图像间的互补信息来重建一幅高分辨率图像的方法,以便于车牌图像的识别。通过迭代求解法和高斯金字塔模型,快速精确地估计得到配准参数,采用凸集投影（POCS）算法对图像序列进行了超分辨率重建。实验表明算法具有亚像素级的配准精度和较强的稳健性,重建图像取得了良好的视觉效果。     

压缩视频的正则化投影超分辨率重建

压缩视频超分辨率（SR）技术利用压缩后的低分辨率（LR）图像序列来重建高分辨率（HR）图像的技术,是当前视频超分辨率技术研究的热点。在正则化理论和凸集投影理论的基础上,利用比特流中的量化信息,提出了一种正则化投影超分辨率重建算法;通过正则化代价函数引入图像序列的时间域和空间域的先验信息,使用迭代梯度下降算法对正则化代价函数求解得到重建图像,最后利用凸集投影算法对求得的估计图像进行DCT域投影重建。仿真实验结果表明,该自适应算法较传统算法,其重建图像的主、客观质量有一定的提高,适合压缩图像的应用。     

基于L1范数的全变分正则化超分辨重构算法

针对结构化照明显微成像系统的超分辨图像重构算法存在边界振铃效应、噪声免疫性差的问题,提出了一种基于L1范数的全变分正则化超分辨图像重构算法（简称L1/TV重构算法）。从结构化显微成像模型入手,分析了传统算法的设计原理和局限性;论述了L1/TV重构算法的原理,采用L1范数对重构图像保真度进行约束,并利用全变分正则化有效克服了重构过程的病态性,保护了重构图像边缘。对比研究传统重构算法和L1/TV重构算法的性能。实验结果表明：L1/TV重构算法具有更强的抗噪声干扰能力,重构图像空间分辨率更高。     

基于统计量的加权函数图像重建方法

针对图像重建的问题,提出了一种基于统计量的加权函数图像重建方法.考虑到退化图像不仅含有高斯噪声,且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的方差构造基于统计量的高斯和拉普拉斯权重函数;由于在图像重建过程中,噪声分布发生变化,整合L1,L2范数,设计了一种自适应加权函数;结合双边全变差(BTV)正则化算法,设计了一种自适应加权函数图像恢复方法.实验结果表明:相比基于L1-L2混合误差模型(HEM),方法的峰值信噪比(PSNR)和结构相似度(SSIM)分别平均提高了约2.07 dB,0.02,对含有多种噪声的退化图像能够取得比较理想的结果.     

基于定向双边全变差正则化的文档图像超分辨率算法研究

针对文档图像超分辨率重建问题,在传统双边全变差(Bilateral Total Variation,BTV)正则化超分辨率算法的基础上,提出了一种基于改进BTV的文档图像超分辨率算法。该算法引入一个新的正则项,即笔画宽度的方向,并根据字符笔画的局部宽度和局部方向自适应地进行平滑处理;然后通过分析输入的低分辨率图像及其插值,使输出图像的局部笔画宽度接近于局部的笔画方向。这种信息被压缩到基于笔画宽度的方向全变分正则项中。通过最小化正则项和数据保真项的线性组合,重建了高分辨率的图像。与相关的文档图像超分辨率方法相比,所提方法在视觉图像质量和字符识别精度方面得到了显著的改善。     

Joint weighted nuclear norm and total variation regularization for hyperspectral image denoising

A hyperspectral image is typically corrupted by multiple types of noise including Gaussian noise and impulse noise. On the other hand, a hyperspectral image possesses a high correlation in its spectral dimensions, and its Casorati matrix has a very low rank. Inspired by the recent development of robust principal component analysis, which can be used to remove sparse and arbitrarily large noise from a low-rank matrix, we propose a joint weighted nuclear norm and total variation regularization method to denoise a hyperspectral image data. First, weighted nuclear norm regularization is constructed for sparse noise removal. Total variation regularization is then imposed on each band of the hyperspectral image to further remove the Gaussian noise. A concrete optimization algorithm is developed to implement the two-stage regularization. The combined approach is expected to effectively denoise hyperspectral images even with varying data structures and under varying imaging conditions. Extensive experiments on both simulated and real data sets validate the performance of our proposed method.     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

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。     

基于混合梯度最小化Mumford-Shah模型的高维滤波算法

为解决高维滤波中存在的边缘特征模糊和细节保持问题, 创新性提出了一种基于混合梯度最小化Mumford-Shah模型的平滑算法. 通过最小化包含梯度的L0、L1范数的正则化函数, 实现边缘保持和局部光滑的滤波分解效果. 从二维图像来看, 梯度的L0范数刻画了图像中非光滑像素的个数, 最小化梯度的L0范数可以实现图像分片同质的效果, 即可对应Mumford-Shah模型中要求的边缘内部尽量均匀; 梯度的L1范数, 即全变差项, 刻画了图像中所有水平集的长度, 最小化梯度的L1范数可以实现控制图像边缘锐利度的目的, 即Mumford-Shah模型中关于图像边缘保持的约束. 由于Mumford-Shah模型具有鲁棒的信号平滑和边缘特征描述能力, 因此在进行高维信号分解等处理时,可以取得良好分离效果. 实验结果表明, 混合梯度Mumford-Shah模型在滤波过程中可以实现边缘保持和纹理平滑相统一的特性, 获得优异的图像结构纹理分解效果, 对多个图像应用的处理效果有显著的提升, 在三维网格数据上也获得良好的去噪性能.     

基于L1/2正则化的三维人体姿态重构

针对从给定2D特征点的单目图像中重构对象的3D形状问题,本文在形状空间模型的基础上,结合L_1/2正则化和谱范数的性质提出一种基于L_1/2正则化的凸松弛方法,将形状空间模型的非凸求解问题通过凸松弛方法转化为凸规划问题;在采用ADMM算法对凸规划问题进行优化求解过程中,提出谱范数近端梯度算法保证解的正交性与稀疏性.利用所提的优化方法,基于形状空间模型和3D可变形状模型在卡内基梅隆大学运动捕获数据库上进行3D人体姿态重构,定性和定量对比实验结果表明本文方法均优于现有的优化方法,验证了所提方法的有效性.