数字破损图像的非线性各向异性扩散修补算法

首先从局部坐标角度分析整体变分（TV）模型与p-Laplace算子的物理意义,从本质上说明p-Laplace算子的扩散性能优于TV模型,进而提出一种基于p-Laplace算子的图像修补算法.该算法利用p-Laplace算子的非线性各向异性扩散的性能来填充受损区域.与TV修补算法相比,文中算法能快速收敛,并达到更好的修补效果,其综合性能优于TV修补算法.     

基于P-Laplace算子的小波域图像修补模型

本文研究如何利用不完整的小波系数来恢复原始图像. Chan, Shen 和 Zhou 已经提出了一种基于整体变分 (total variational, TV) 模型的小波域图像修补算法. TV 模型的主要优点是可以保持图像的边缘, 但该模型在平滑区容易产生阶梯效应, 使图像的修补效果不是很理想. 为了克服这个缺陷, 本文首先从局部坐标角度分析了TV模型与p-Laplace算子的物理意义, 从本质上说明了 p-Laplace 算子的扩散性能优于 TV 模型.然后给出了一种基于 p-Laplace 算子的小波域图像修补模型. 该模型不仅有效降低 TV 模型引入的阶梯效应, 而且能保持图像的边缘, 用较少的运算量得到比 TV 模型更好的修补效果. 实验结果表明, 该模型在运算时间和修补效果上都具有更好的综合性能.     

连续体结构的参数化水平集统一优化

针对传统分步式结构优化设计的不足,提出一种同时进行结构拓扑、形状和尺寸统一优化的设计方法.首先采用水平集函数描述统一的结构优化模型和几何尺寸边界,通过引入紧支径向插值基函数将结构拓扑优化变量、形状优化变量和尺寸优化变量变换为基函数的扩展系数;然后取该扩展系数为设计变量,借助一种参数的变化表达3种优化要素对结构性能的影响,将复杂的多变量优化问题变换为相对简单的参数优化问题,有利于与相对成熟的优化算法相结合提高求解效率;进一步用R函数将其融合为一个整体,构造出统一优化模型,并用最优化准则法进行求解.最后通过数值案例证明了该方法的有效性和精确性.     

图像修复TV模型的快速算法研究

关于图像修复的全变分（ TV）模型的求解有很多方法。在图像修复的全变分（ TV）模型中,文中针对含有非光滑项的凸优化问题提出了一种基于交替方向乘子法（ ADMM）的快速求解算法。 ADMM方法对迭代公式中具体的子问题求解过程一般采用Gauss-Seidel方法,文中通过分析TV修复模型的性质,对ADMM算法进行了相应的改进,使得具体的数值求解可以用快速傅里叶变换方法,并证明了该算法的收敛性。实验结果表明,文中所提出的新算法与采用Gauss-Seidel迭代的方法相比较,不但修复效果更好,而且修复速度更快。     

基于双变量收缩函数的局域自适应图像去噪

由于图像小波系数存在很大的层间相关性,引入双变量概率分布模型,基于贝叶斯估计理论,得到了相应的非线性阈值函数（双变量收缩函数）;基于层内局域方差估计,利用该收缩函数得到一种局域自适应的图像去噪算法。在实验中,将该算法分别应用到实值离散小波变换域和双树复数小波变换域,并和隐马尔科夫模型的去噪方法做了比较分析。实验表明,复数小波变换的局域自适应收缩图像去噪算法去噪效果最好。     

全变差图像恢复的交替方向乘子法

针对图像恢复的全变差（TV）模型提出了一种基于交替方向乘子法的快速求解算法。通过变量替换将TV模型转化为与之完全等价的等式约束优化问题,然后用交替方向乘子法求解等式约束优化问题。实验结果表明,相对于FTVd方法,克服了FTVd方法的不稳定性,视觉效果更好,信噪比也得到了提高。     

粒子群优化小波变换的图像数据库相似性搜索

有许多图像检索系统能对图像数据库进行快速的相似性搜索,但利用这些图像搜索方法所得到的结果质量是相当有限的。本文中,首先引入几种一般的用于图像数据库相似性搜索的算法,利用这些算法形成可适应不同转换的模型,再基于这个模型并借助于演化计算的有效性,构造出一个适应度的函数,该函数利用小波变换通过粒子群优化算法使图像相似性搜索得到最优化。仿真实验结果验证了采用这种方法所得结果比其他相似性搜索方法质量更好。     

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。     

结合图像结构特征和近似l_0范数的压缩采样恢复算法

为了从压缩采样数据快速有效地恢复自然图像,提出了一种结合近似l0范数和近似总体变分(TV)的压缩采样图像恢复算法模型——TVSl0,并在恢复算法中引入模拟退火方法来实现快速恢复.该模型以最小化近似l0范数为基础,融入了反映图像结构特点的近似TV范数,体现出该模型对图像空域变化有限这一特点的适应性;并使用连续近似函数解决了l0范数的不连续问题.针对典型自然图像恢复的实验结果验证了文中算法的有效性和可行性,其恢复质量和基本TV模型的方法相当,但迭代次数少、计算复杂度低.     

基于模糊函数估计和变分泛函数优化的含噪声模糊图像复原算法

针对摄影图像中常见的噪声和模糊同时退化图像的问题,提出一种Radon变换估计模糊函数结合变分泛函优化的图像复原算法。算法首先利用方向滤波器对图像去噪,然后利用Radon变换以去除方向滤波在模糊函数估计中引起的偏差,再利用模糊函数通过去卷积操作去除模糊,最后在去模糊的基础上利用 L0梯度范数的变换泛函的优化算法,去除剩余噪声从而对图像进行复原。实验表明,该算法可以有效地恢复摄影图像中的场景。     

数字双边全变差滤波及非线性去噪

为了更好地滤噪,在研究基于数字滤波器的图像去噪问题的基础上,首先简洁地建立了双边滤波与最优能量泛函之间的理论联系,同时导出一类广义双边滤波器;然后基于双边滤波在阶数大邻域中的双重异性加权滤波机制,推广了Chan提出的数字全变差(TV)模型,提出了一种数字双边TV模型;随后,建立了基于数字双边TV模型的最优能量泛函,并且导出了适于高斯噪声和脉冲噪声两种情形的非线性数字双边全变差滤波器。实验结果显示,无论是在视觉效果方面,还是去噪后图像的峰值信噪比方面,双边全变差滤波都是对双边滤波和全变差滤波极为合理而有效的推广。尤其对于脉冲噪声,该双边全变差滤波的去噪性能明显优于中值滤波器,具有重要的实用价值。     

总变差正则化断层图像重建的解耦Bregman迭代算法

在断层重建的很多工程应用中,由于低剂量以及成像硬件等原因,经常需要在测量数据不充分的情况下去重建图像。基于图像分段光滑的假设,提出采用误差的加权范数作为数据保真项,TV（total variation）作为正则项的断层图像重建模型。该模型求解时,首先通过引入代理函数将原问题解耦为残差的加权范数最小化和加权范数TV去噪这两个子问题;然后采用了Chambolle的对偶空间正交投影法的框架对加权范数TV去噪问题进行求解,避免了由于TV项在不可导处所带来的计算不稳定;最后,为了提高收敛速度并且避免由正则化参数选取所引起的数值不稳定,引入Bregman方法,给出该模型的快速迭代算法。在扇形束少角度欠采样的条件下,对理想情况和高斯噪声情况下进行仿真测试,并同多种算法进行了比较。实验结果表明,该算法重建效果好,收敛速度快。     

小波变换和变分PDE相结合的图像去噪算法

为了更好地恢复图像,利用小波变换的思想,提出了一种变分和小波变换相结合的图像去噪算法。该算法的思想是先构造一个用带有韦伯心理学的范数估计图像正则性的变分泛函,然后在小波域中最小化变分泛函得到还原图像。与传统的直接求泛函最小化的问题有区别,该算法是用变分的思想再结合小波变换进行图像去噪。小波变换后的高频分量具有丰富的细节边缘信息,因而能够重构出高质量的图像,而且小波的引入使得新算法具有运行时间短、速度快的特点。理论分析和实验仿真表明,该算法能达到比单一方法更好的恢复效果。     

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.     

基于变分法和偏微分方程的图像彩色化方法

针对传统的图像彩色化算法易产生的图像边缘颜色模糊等问题,提出一种基于变分法和偏微分方程的图像彩色化算法,结合整体变分(TV)模型和金兹堡一朗道(GL)模型的特点,通过求泛函极值建立偏微分方程,使图像的光滑区域和边界区域都能有效的实现颜色扩散,对偏微分方程进行数值求解得到彩色化结果.实验结果表明,与其它偏微分方程彩色化技术相比,该方法能得到清晰自然的彩色化图像和较高的图像质量.     

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.     

图像恢复中的凸能量泛函正则化模型综述

目的凸能量泛函正则化模型(EFRM)的综述论文在国内外还少有报道,为使即将进入该领域的研究者全面了解发展现状,结合图像恢复,对该领域国内外研究现状进行综述。方法在参考大量文献的基础上,从凸EFRM的起因、组成、处理和发展趋势等方面加以总结和比较。首先,给定反问题,无法获得可行解,解决此问题的有效方法是建立EFRM。其次,从能量泛函的组成,分析拟合项和正则项的适用条件,给出引起图像模糊的5种点扩散函数,阐述权重的重要性及确定方法。再次,将能量泛函的拟合项和正则项分为整体处理、单独处理,分析空域、变换域和混合域正则化模型求解算法,评述模型和算法的优缺点。最后,指出图像恢复EFRM的发展趋势及存在的问题。结果一般说来,无法直接求解由拟合项、正则项和权重组成的原始凸EFRM,然而,通过转化模型、对偶模型和原始—对偶模型,利用数值代数、矩阵论和优化理论对转化模型进行整体处理、分裂处理,可以设计出高效、快速求解算法。结论图像恢复中的EFRM研究虽然取得了很多有意义的理论与应用成果,但随着大规模数据处理问题的不断涌现,建立准确的数学模型,设计高效快速的求解算法以及分析算法的收敛性等理论问题有待进一步深入研究。     

优化-最小求解的广义总变分图像复原

在代价函数中嵌入总变分正则项是解决图像复原中不适定问题的一种有效方法。但是,总变分正则化考虑的仅是一阶而不是高阶邻域像素变分关系;另外,总变分的开方形式还给基于总变分代价函数的优化带来了困难。为此,提出一种基于优化-最小算法的广义总变分正则化图像复原新方法,以克服目前存在的问题。该方法保留了总变分正则化方法能够除噪声保边缘的重尾特征,同时借鉴了双边总变分双重加权机制,从而推导出总变分正则项在邻域范围上的推广形式。该方法还针对广义总变分正则项优化过程中存在的求解瓶颈,提出采用优化-最小算法求得上界函数以逐次逼近最优解。实验结果表明,该方法取得了较好的复原效果,使改善信噪比指标达到2dB左右。     

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.