CN105957025A - 基于稀疏表示的非一致图像盲复原方法 - Google Patents
基于稀疏表示的非一致图像盲复原方法 Download PDFInfo
- Publication number
- CN105957025A CN105957025A CN201610254970.3A CN201610254970A CN105957025A CN 105957025 A CN105957025 A CN 105957025A CN 201610254970 A CN201610254970 A CN 201610254970A CN 105957025 A CN105957025 A CN 105957025A
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- detail
- alpha
- picture rich
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000011084 recovery Methods 0.000 claims description 16
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000007850 degeneration Effects 0.000 abstract 1
- 230000001131 transforming effect Effects 0.000 abstract 1
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏表示的非一致图像盲复原方法,包括:根据相机三维抖动模型,并结合自然图像的过完备字典表示构建非一致图像模糊退化模型;输入待复原的模糊图像和过完备字典,求得初始稀疏系数,并对参数进行初始化设置;将自然图像的过完备字典表示,以及模糊核和稀疏系数的稀疏性作为模型的正则约束,并采用交替迭代方法将非一致盲复原模型的求解转化为多个简单的子问题,从而实现对模糊图像y的盲复原。本发明提出的算法对自然条件下获取的模糊图像有更好的复原效果,复原图像细节明显、不失真、噪声低,具有更好的视觉效果,且求解方法有可扩展性。
Description
技术领域
本发明涉及一种计算机图像处理方法,尤其是涉及一种图像复原方法。
背景技术
成像设备在采集图像时,人为抖动或设备固有的机械抖动会使采集到的图像出现整体模糊、目标物体边界不明确、细节信息丧失等问题,给地形勘测、目标识别、自动导航等计算机视觉领域的应用带来很大问题。因此,模糊图像复原成为亟待解决的热门问题。现有的模糊图像盲复原根据模糊核是否全局一致,可分为一致图像盲复原和非一致图像盲复原。实际上,相机在三维空间内的抖动,会造成成像平面内的非一致模糊,因此,非一致图像盲复原更具实用性。
通过研究相机抖动的空间几何模型,Whyte O等人[1]构建了平面内非一致模糊图像退化模型。由于自然图像的复杂性,根据该模型从单幅图像中估计的模糊核很可能在部分区域存在较大误差。将自然图像梯度重尾分布特征[2]和模糊核稀疏规范性[3]作为先验知识的正则化方法是解决上述问题的典型方法,但该方法对平坦区域的惩罚力度不够,且范数约束很难完全逼近梯度的重尾分布,易产生振铃,复原效果不理想。
[参考文献]
[1]Whyte O,Sivic J,Zisserman A,et al.Non-uniform Deblurring for Shaken Images.International Journal of Computer Vision,2012,98(2):168-186.
[2]Fergus R,Singh B,Hertzmann A,et al.Removing camera shake from a single photograph.Acm Transactions on Graphics,2006,25(3):787-794.
[3]Krishnan D,Fergus R.Fast Image Deconvolution using Hyper-Laplacian.Proceedings of Neural Information Processing Systems,2009:1033-1041.
[4]杨爱萍,钟腾飞,何宇清.基于非局部相似性和分类半耦合字典学习的超分辨率重建.天津大学学报:自然科学与工程技术版,2015,1(01):87-94.
[5]程广涛,宋占杰,陈雪.基于二维图像矩阵的稀疏表示分类方法.天津大学学报:自然科学与工程技术版,2014,47(06):541-545.
[6]Levin A,Weiss Y,Durand F,et al.Efficient Marginal Likelihood Optimization in Blind Deconvolution.In:Colorado Springs.Proceeding of Computer Vision and Pattern Recognition,2011:2657-2664.
[7]Babacan S D,Molina R,Do M N,et al.Bayesian Blind Deconvolution with General Sparse Image Priors.Computer Vision,Springer Berlin Heidelberg,2012:341-355.
[8]Hu Z,Huang J B,Yang M H.Single image deblurring with adaptive dictionary learning.
In:Hongkong.Proceeding of IEEE International Conference on Image Processing,2010:1169-1172.
[9]Yangyang X,Wotao Y.A fast patch-dictionary method for whole image recovery.CAM-report-13-38[R].Los Angeles,CA:UCLA,Applied Mathematics,2013.
[10]Aharon M,Elad M,Bruckstein A.K-SVD:An algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transactions on Signal Processing,2006,54(11):4311–4322.
[11]Daubechies I,Defrise M,Mol C.An iterative thresholding algorithm for linear inverse problems with a sparsity constraint.Communications on Pure and Applied Mathematics,1988,57(11):1413–1457.
[12]Zhang Y,Yang J,Wotao Y.YALL1:Your algorithms for l1,MATLAB software,http://yall1.blogs.rice.edu/,2010.
发明内容
针对上述问题,本发明提出一种基于稀疏表示的非一致图像盲复原方法。根据非一致图像模糊退化模型,建立全变差正则化模型,并将自然图像的过完备字典表示[4,5]、自然图像在过完备字典表示下的稀疏特性和模糊核稀疏特性作为正则约束项。构建的非一致模糊复原模型,可更加精确地估计模糊核,提高图像复原质量;结合自然图像的过完备字典表示以及稀疏性先验信息,使复原图像更符合自然图像的特征,减少失真。
为了解决上述技术问题,本发明提出的一种基于稀疏表示的非一致图像盲复原方法,包括以下步骤:
步骤一、构建图像盲复原模型,包括:
1-1)根据相机三维抖动模型,构建式(1)所示的非一致图像模糊退化模型:
式(1)中,y为模糊图像,x为原始清晰图像,ε为加性噪声,表示清晰图像在偏移角度为θk时的偏移图像;偏移角度为θk时,清晰图像像素点j处的像素值xj在Cijk的作用下对应到模糊图像的像素点i处;wk是偏移角度为θk时的权值,称之为模糊核;
当模糊核或清晰图像已知时,式(1)所示模型表示为如下两个线性模型:
y=∑kCijkwkx+ε
(2)
y=∑jCijkxjw+ε
(3)
过完备字典对图像的稀疏表示如式(4)所示:
式(4)中,Ri是提取图像第i个图像块的矩阵操作符,D是过完备字典,αi是第i个图像块在过完备字典表示下的稀疏表示系数;
1-2)根据上述构建的非一致模糊退化模型,并结合自然图像的过完备字典表示,构建式(5)所示的图像复原模型:
式(5)中,第一项是由非一致模糊模型构造的数据保真项;第二项和第三项分别是过完备字典表示和稀疏系数αi的正则化约束项;第四项是模糊核约束;其中,模糊核w具有稀疏特性,满足归一化和非负性,采用l1范数对该模糊核w进行约束;η(ηi)、λ(λi)和γ(γi)为平衡参数,η(ηi)=0.05、λ(λi)=0.1、γ(γi)的取值范围为4.0~5.5;原始清晰图像x和模糊图像y均为过完备字典D排列的向量形式;
步骤二、输入待复原的模糊图像y和过完备字典D,其中,过完备字典D是采用块邻域梯度字典学习方法对Berkeley segmentation dataset数据库中的200幅图像随机提取20000个8×8像素点图像块进行自适应学习得到的;
步骤三、采用交替迭代方法对待复原的模糊图像y进行盲复原,包括:
3-1)首次迭代时,稀疏系数α由得到,并设原始清晰图像x为输入的模糊图像y;
3-2)根据稀疏系数α和原始清晰图像x估计模糊核w,将上述式(5)简化为:
并采用迭代收缩软阈值算法估计模糊核w;
3-3)根据模糊核w和稀疏系数α估计原始清晰图像x,将模糊图像y分解为多个不同的重叠块,对每个重叠块进行估计原始清晰图像x的操作,上述式(5)简化为:
式(7)中,A=∑kCijkwk,利用快速傅里叶变换算法估计原始清晰图像x;
3-4)根据原始清晰图像x和模糊核w估计稀疏系数α,上述式(5)简化为:
式(8)中,第二部分为l1范数的加权优化形式,权值ωi采用稀疏系数反函数形式;由于过完备字典方法中各个图像块之间是相互独立的,因此,将式(8)简化为式(9),从而将原始清晰图像x稀疏系数的求解问题转化为各个图像块的稀疏系数的求解问题,
采用YALL1算法估计稀疏系数α;
3-5)当迭代次数小于2时,返回步骤3-2);否则,执行步骤3-6);
3-6)计算相邻两次迭代求得的模糊核w之间的差值平方差,若该差值平方差的值小于10-4,则停止迭代,输出的图像即为原始清晰图像x,否则返回步骤3-2)。
与现有技术相比,本发明的有益效果是:
本发明基于图像非一致模糊退化模型和图像的过完备字典表示,建立非一致模糊的复原模型,将自然图像的过完备字典表示,以及模糊核和稀疏系数的稀疏性作为模型的正则约束,并采用交替迭代求未知量的方法进行求解。本发明提出的算法对自然条件下获取的模糊图像有更好的复原效果,复原图像细节明显、不失真、噪声低,具有更好的视觉效果,且求解方法有可扩展性。
附图说明
图1是本发明基于稀疏表示的非一致图像盲复原方法流程图;
图2(a)是一幅“佛像”实拍模糊图像;
图2(b)是利用Levin算法对图2(a)所示实拍模糊图像复原的结果;
图2(c)是利用Babacan算法对图2(a)所示实拍模糊图像复原的结果;
图2(d)是利用Hu算法对图2(a)所示实拍模糊图像复原的结果;
图2(e)是本发明方法对图2(a)所示实拍模糊图像复原的结果;
图3(a)是一幅“鱼”实拍模糊图像;
图3(b)是利用Levin算法对图3(a)所示实拍模糊图像复原的结果;
图3(c)是利用Babacan算法对图3(a)所示实拍模糊图像复原的结果;
图3(d)是利用Hu算法对图3(a)所示实拍模糊图像复原的结果;
图3(e)是本发明方法对图3(a)所示实拍模糊图像复原的结果。
具体实施方式
为验证本发明图像盲复原方法的有效性,下面选取“佛像”和“鱼”两幅实拍模糊图像作为具体实施例,在Matlab平台下进行盲复原实验,同时与现有技术中较为成熟的单幅图像盲复原算法(包括Levin和Babacan的空域复原方法[6,7],以及Hu的稀疏域复原方法[8])进行比较。所描述的具体实施例仅对本发明进行解释说明,并不用以限制本发明。
实施例1:
以图2(a)“佛像”为例,采用本发明提出的一种基于稀疏表示的非一致图像盲复原方法进行复原,从而获得复原后的原始清晰图像,如图2(e)所示。如图1所示,其处理过程包括以下步骤:
步骤一、构建图像盲复原模型,包括:
根据相机三维抖动模型,构建式(1)所示的非一致图像模糊退化模型:
式(1)中,y为模糊图像,x为原始清晰图像,ε为加性噪声,表示清晰图像在偏移角度为θk时的偏移图像;偏移角度为θk时,清晰图像像素点j处的像素值xj在Cijk的作用下对应到模糊图像的像素点i处;wk是偏移角度为θk时的权值,称之为模糊核;即该模型表示模糊图像为不同角度下偏移图像的加权累和。
当模糊核或清晰图像已知时,式(1)所示模型表示为如下两个线性模型:
y=∑kCijkwkx+ε
(2)
y=∑jCijkxjw+ε
(3)
过完备字典对图像的稀疏表示如式(4)所示:
式(4)中,Ri是提取图像第i个图像块的矩阵操作符,D是过完备字典,αi是第i个图像块在过完备字典表示下的稀疏表示系数;
1-2)根据上述构建的非一致模糊退化模型,并结合自然图像的过完备字典表示,构建式(5)所示的图像复原模型:
式(5)中,第一项是由非一致模糊模型构造的数据保真项;第二项和第三项分别是过完备字典表示和稀疏系数向量αi的正则化约束项;第四项是模糊核约束;其中,模糊核w具有稀疏特性,采用l1范数对该模糊核w进行约束,同时,模糊核w满足归一化和非负性;η(ηi)、λ(λi)和γ(γi)为平衡参数,η(ηi)=0.05、λ(λi)=0.1、γ(γi)的取值范围是4.0~5.5,本实施例中γ(γi)=4.6;原始清晰图像x和模糊图像y均为过完备字典D排列的向量形式;
步骤二、输入待复原的模糊图像y,如图2(a)所示,和过完备字典D,其中,过完备字典D是采用块邻域梯度字典学习方法[9]对Berkeley segmentation dataset[10]数据库中的200幅图像随机提取20000个8×8像素点图像块进行自适应学习得到的;
步骤三、由于在本发明构建的非一致盲复原模型式(5)中,含有模糊核w、原始清晰图像x和稀疏系数αi三个未知量,直接对其求解存在收敛慢和容易陷入局部最优等问题,因此,本发明采用交替迭代方法将非一致盲复原模型的求解转化为多个简单的子问题,从而实现对模糊图像y的盲复原,具体过程包括:
3-1)首次迭代时,稀疏系数α由得到,原始清晰图像x设为输入的模糊图像y;
3-2)根据稀疏系数α和原始清晰图像x估计模糊核w,将上述式(5)简化为:
这是典型的最小二乘问题联合非负l1范数的问题,可以采用迭代收缩软阈值(Iterative Shrinkage-Thresholding Algorithm,ISTA)[11]算法进行求解,从而估计模糊核w;
3-3)根据模糊核w和稀疏系数α估计原始清晰图像x,将模糊图像y分解为多个不同的重叠块,对每个重叠块进行估计原始清晰图像x的操作,上述式(5)简化为:
式(7)中,A=∑kCijkwk,式(7)是典型的最小二乘问题,利用快速傅里叶变换算法估计原始清晰图像x;
3-4)根据原始清晰图像x和模糊核w估计稀疏系数α,上述式(5)简化为:
式(8)中,第二部分为l1范数的加权优化形式,权值ωi采用稀疏系数反函数形式;由于过完备字典方法中各个图像块之间是相互独立的,因此,将式(8)简化为式(9),从而将原始清晰图像x稀疏系数的求解问题转化为各个图像块的稀疏系数的求解问题,
采用YALL1[12]算法估计稀疏系数α;
3-5)当迭代次数小于2时,返回步骤3-2);否则,执行步骤3-6);
3-6)计算相邻两次迭代求得的模糊核w之间的差值平方差,若该差值平方差的值小于10-4,则停止迭代,输出的图像即为原始清晰图像x,否则返回步骤3-2)。
图2(b)至图2(e)分别是利用现有技术方法和本发明方法对图2(a)所示“佛像”实拍模糊图像进行复原的结果,可以看出,图2(b)示出的利用Levin算法的复原结果有明显失真,佛像身体轮廓较为尖锐,图2(c)示出的利用Babacan算法的复原结果仍然很模糊,图2(d)示出的利用Hu算法的复原效果尤其不理想,有严重的失真和噪声,而如图2(e)所示本发明方法复原的结果较好,细节清晰,整体效果自然真实。
实施例2:
同理,以图3(a)“鱼”为例,采用本发明提出的一种基于稀疏表示的非一致图像盲复原方法进行复原,从而获得复原后的原始清晰图像,如图3(e)所示。图3(b)至图3(d)是利用现有技术方法的复原结果。可以看出,图3(b)示出的利用Levin算法的复原结果失真明显,背部鱼鳍畸形,图3(c)示出的利用Babacan算法的复原结果较好,图3(d)示出的利用Hu算法的复原结果噪声明显,细节信息丢失,而如图3(e)所示本发明算法复原结果较好,能够看出鱼鳍和绳布的纹理,整体效果自然。总之,本发明算法对自然模糊图像的复原有明显优势。
综上,本发明提出的算法对自然条件下获取的模糊图像有更好的复原效果,复原图像 细节明显、不失真、噪声低,具有更好的视觉效果,且求解方法有可扩展性。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (1)
1.一种基于稀疏表示的非一致图像盲复原方法,包括以下步骤:
步骤一、构建图像盲复原模型,包括:
1-1)根据相机三维抖动模型,构建式(1)所示的非一致图像模糊退化模型:
式(1)中,y为模糊图像,x为原始清晰图像,ε为加性噪声,表示清晰图像在偏移角度为θk时的偏移图像;偏移角度为θk时,清晰图像像素点j处的像素值xj在Cijk的作用下对应到模糊图像的像素点i处;wk是偏移角度为θk时的权值,称之为模糊核;
当模糊核或清晰图像已知时,式(1)所示模型表示为如下两个线性模型:
y=∑kCijkwkx+ε (2)
y=∑jCijkxjw+ε (3)
过完备字典对图像的稀疏表示如式(4)所示:
式(4)中,Ri是提取图像第i个图像块的矩阵操作符,D是过完备字典,αi是第i个图像块在过完备字典表示下的稀疏表示系数;
1-2)根据上述构建的非一致模糊退化模型,并结合自然图像的过完备字典表示,构建式(5)所示的图像复原模型:
式(5)中,第一项是由非一致模糊模型构造的数据保真项;第二项和第三项分别是过完备字典表示和稀疏系数αi的正则化约束项;第四项是模糊核约束;其中,模糊核w具有稀疏特性,满足归一化和非负性,采用l1范数对该模糊核w进行约束;η(ηi)、λ(λi)和γ(γi)为平衡参数,η(ηi)=0.05、λ(λi)=0.1、γ(γi)的取值范围为4.0~5.5;原始清晰图像x和模糊图像y均为过完备字典D排列的向量形式;
步骤二、输入待复原的模糊图像y和过完备字典D,其中,过完备字典D是采用块邻域梯度字典学习方法对Berkeley segmentation dataset数据库中的200幅图像随机提取20000个8×8像素点图像块进行自适应学习得到的;
步骤三、采用交替迭代方法对待复原的模糊图像y进行盲复原,包括:
3-1)首次迭代时,稀疏系数α由min||α||0 s.t.得到,并设原始清晰图像x为输入的模糊图像y;
3-2)根据稀疏系数α和原始清晰图像x估计模糊核w,将上述式(5)简化为:
并采用迭代收缩软阈值算法估计模糊核w;
3-3)根据模糊核w和稀疏系数α估计原始清晰图像x,将模糊图像y分解为多个不同的重叠块,对每个重叠块进行估计原始清晰图像x的操作,上述式(5)简化为:
式(7)中,A=∑kCijkwk,利用快速傅里叶变换算法估计原始清晰图像x;
3-4)根据原始清晰图像x和模糊核w估计稀疏系数α,上述式(5)简化为:
式(8)中,第二部分为l1范数的加权优化形式,权值ωi采用稀疏系数反函数形式;由于过完备字典方法中各个图像块之间是相互独立的,因此,将式(8)简化为式(9),从而将原始清晰图像x稀疏系数的求解问题转化为各个图像块的稀疏系数的求解问题,
采用YALL1算法估计稀疏系数α;
3-5)当迭代次数小于2时,返回步骤3-2);否则,执行步骤3-6);
3-6)计算相邻两次迭代求得的模糊核w之间的差值平方差,若该差值平方差的值小于10-4,则停止迭代,输出的图像即为原始清晰图像x,否则返回步骤3-2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610254970.3A CN105957025A (zh) | 2016-04-21 | 2016-04-21 | 基于稀疏表示的非一致图像盲复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610254970.3A CN105957025A (zh) | 2016-04-21 | 2016-04-21 | 基于稀疏表示的非一致图像盲复原方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105957025A true CN105957025A (zh) | 2016-09-21 |
Family
ID=56916135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610254970.3A Pending CN105957025A (zh) | 2016-04-21 | 2016-04-21 | 基于稀疏表示的非一致图像盲复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957025A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292836A (zh) * | 2017-06-02 | 2017-10-24 | 河海大学常州校区 | 基于外部图像块先验信息与稀疏表示的图像盲去模糊方法 |
CN107451961A (zh) * | 2017-06-27 | 2017-12-08 | 重庆邮电大学 | 多幅模糊噪声图像下清晰图像的恢复方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
CN109816600A (zh) * | 2018-12-21 | 2019-05-28 | 西北工业大学 | 基于稀疏表示的共焦显微图像复原方法 |
CN110675347A (zh) * | 2019-09-30 | 2020-01-10 | 北京工业大学 | 一种基于组稀疏表示的图像盲复原方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800054A (zh) * | 2012-06-28 | 2012-11-28 | 西安电子科技大学 | 基于稀疏性度量的图像盲去模糊方法 |
CN103413277A (zh) * | 2013-08-19 | 2013-11-27 | 南京邮电大学 | 基于l0稀疏先验的盲相机抖动去模糊方法 |
CN103761710A (zh) * | 2014-01-08 | 2014-04-30 | 西安电子科技大学 | 基于边缘自适应的高效图像盲去模糊方法 |
CN104112261A (zh) * | 2014-07-17 | 2014-10-22 | 五邑大学 | 基于范数比值正则化的快速图像盲去模糊方法 |
CN104134196A (zh) * | 2014-08-08 | 2014-11-05 | 重庆大学 | 基于非凸高阶全变差模型的Split Bregman权值迭代图像盲复原方法 |
CN104599242A (zh) * | 2014-12-09 | 2015-05-06 | 西安电子科技大学 | 使用多尺度非局部正则的模糊核估计方法 |
CN105427259A (zh) * | 2015-11-26 | 2016-03-23 | 天津大学 | 多方向加权tv和非局部自相似性正则化图像去模糊方法 |
-
2016
- 2016-04-21 CN CN201610254970.3A patent/CN105957025A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800054A (zh) * | 2012-06-28 | 2012-11-28 | 西安电子科技大学 | 基于稀疏性度量的图像盲去模糊方法 |
CN103413277A (zh) * | 2013-08-19 | 2013-11-27 | 南京邮电大学 | 基于l0稀疏先验的盲相机抖动去模糊方法 |
CN103761710A (zh) * | 2014-01-08 | 2014-04-30 | 西安电子科技大学 | 基于边缘自适应的高效图像盲去模糊方法 |
CN104112261A (zh) * | 2014-07-17 | 2014-10-22 | 五邑大学 | 基于范数比值正则化的快速图像盲去模糊方法 |
CN104134196A (zh) * | 2014-08-08 | 2014-11-05 | 重庆大学 | 基于非凸高阶全变差模型的Split Bregman权值迭代图像盲复原方法 |
CN104599242A (zh) * | 2014-12-09 | 2015-05-06 | 西安电子科技大学 | 使用多尺度非局部正则的模糊核估计方法 |
CN105427259A (zh) * | 2015-11-26 | 2016-03-23 | 天津大学 | 多方向加权tv和非局部自相似性正则化图像去模糊方法 |
Non-Patent Citations (6)
Title |
---|
ANAT LEVIN 等: "Efficient Marginal Likelihood Optimization in Blind Deconvolution", 《PROCEEDING OF COMPUTER VISION AND PATTERN RECOGNITION》 * |
OLIVER WHYTE 等: "Non-uniform Deblurring for Shaken Images", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
S. DERIN BABACAN 等: "Bayesian Blind Deconvolution with General Sparse Image Priors", 《ECCV 2012》 * |
杨爱萍 等: "基于非局部相似性和分类半耦合字典学习的超分辨率重建", 《天津大学学报(自然科学与工程技术版)》 * |
杨爱萍 等: "联合新型分块稀疏表示和梯度先验图像盲复原", 《HTTP://WWW.CNKI.NET/KCMS/DETAIL/12.1127.N.20150528.0828.001.HTML.》 * |
程广涛 等: "基于二维图像矩阵的稀疏表示分类方法", 《天津大学学报(自然科学与工程技术版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292836A (zh) * | 2017-06-02 | 2017-10-24 | 河海大学常州校区 | 基于外部图像块先验信息与稀疏表示的图像盲去模糊方法 |
CN107292836B (zh) * | 2017-06-02 | 2020-06-26 | 河海大学常州校区 | 基于外部图像块先验信息与稀疏表示的图像盲去模糊方法 |
CN107451961A (zh) * | 2017-06-27 | 2017-12-08 | 重庆邮电大学 | 多幅模糊噪声图像下清晰图像的恢复方法 |
CN107451961B (zh) * | 2017-06-27 | 2020-11-17 | 重庆邮电大学 | 多幅模糊噪声图像下清晰图像的恢复方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
CN108520504B (zh) * | 2018-04-16 | 2020-05-19 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
CN109816600A (zh) * | 2018-12-21 | 2019-05-28 | 西北工业大学 | 基于稀疏表示的共焦显微图像复原方法 |
CN110675347A (zh) * | 2019-09-30 | 2020-01-10 | 北京工业大学 | 一种基于组稀疏表示的图像盲复原方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thakur et al. | State‐of‐art analysis of image denoising methods using convolutional neural networks | |
Cui et al. | Deep network cascade for image super-resolution | |
Dong et al. | Image reconstruction with locally adaptive sparsity and nonlocal robust regularization | |
Zhang et al. | Bregmanized nonlocal regularization for deconvolution and sparse reconstruction | |
CN103150713B (zh) | 利用图像块分类稀疏表示与自适应聚合的图像超分辨方法 | |
CN105957025A (zh) | 基于稀疏表示的非一致图像盲复原方法 | |
Huang et al. | Deep hyperspectral image fusion network with iterative spatio-spectral regularization | |
CN105590304B (zh) | 超分辨率图像重建方法和装置 | |
CN110796625A (zh) | 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法 | |
Levine et al. | Image restoration via nonstandard diffusion | |
CN106952317A (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN112634149B (zh) | 一种基于图卷积网络的点云去噪方法 | |
CN104599242A (zh) | 使用多尺度非局部正则的模糊核估计方法 | |
CN103136728B (zh) | 基于字典学习和非局部总变差的图像超分辨方法 | |
Vu et al. | Unrolling of deep graph total variation for image denoising | |
Mandal et al. | Edge preserving single image super resolution in sparse environment | |
Xia et al. | Meta-learning-based degradation representation for blind super-resolution | |
CN104952051B (zh) | 基于高斯混合模型的低秩图像修复方法 | |
CN110503608B (zh) | 基于多视角的卷积神经网络的图像去噪方法 | |
Gao et al. | Bayesian image super-resolution with deep modeling of image statistics | |
CN112085674B (zh) | 基于神经网络的航拍图像去模糊算法 | |
Sharma et al. | Deep learning based frameworks for image super-resolution and noise-resilient super-resolution | |
Xiong et al. | A two-stage convolutional sparse prior model for image restoration | |
Yu et al. | Blind image deblurring based on sparse representation and structural self-similarity | |
Gao et al. | Rank-one network: An effective framework for image restoration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |
|
RJ01 | Rejection of invention patent application after publication |