基于结构加权低秩近似的泊松图像去模糊

针对由高斯模糊和泊松噪声引起的图像降质问题，提出了一种基于结构加权低秩近似的图像去模糊方法。首先，通过依次组合缩放、旋转、剪切和翻折等四种基本操作引入结构变换，以增加搜索空间内候选图像块的相似性。然后，构造新的目标函数，利用相似图像块的低秩性，在正则项中使用加权核范数（WNN）对结构变换后的图像块进行惩罚，以在去模糊的同时抑制泊松噪声。最后，基于半正定二次分裂（HQS）方法设计交替优化方案，用于求解目标函数，从泊松图像中去除模糊。实验结果表明:在多种泊松噪声强度下，所提方法取得的峰值信噪比（PSNR）和结构相似性（SSIM）都高于当前同类去模糊方法。      

基于收缩场学习的Retinex低照度图像增强

为增强低照度图像和抑制噪声，提出了一种通过学习收缩场（SF）改进Retinex分解的图像增强方法。首先，构造新的目标函数，在正则项中引入2组不同的高阶滤波器分别约束未知的反射图和照明图。高阶滤波器可以学习到多种激活模式，有利于在恢复反射图的同时抑制噪声污染。然后，在优化目标函数时通过求解收缩场更新隐变量，参数化的压缩函数可以自适应地调整相应滤波器在反射图和照明图上的响应。最后，在每个级联内更新照明图之前，嵌入一个辅助的收缩场，以抑制噪声和不良伪影的传播，从而更精确地估计照明图。实验结果表明，所提方法取得的峰值信噪比（PSNR）和结构相似性（SSIM）均高于当前最新的低照度图像增强方法。