题名 | 自适应拓展图像反卷积算法研究 |
作者 | 马斌斌 |
答辩日期 | 2019-06-03 |
文献子类 | 硕士 |
授予单位 | 中国科学院自动化研究所 |
授予地点 | 智能化大厦第五会议室 |
导师 | 彭思龙 |
关键词 | 图像反卷积 全变分 归整化参数估计 Lp范数约束 P范数估计 |
学位名称 | 工学硕士 |
学位专业 | 计算机应用技术 |
英文摘要 | 由于图像成像系统、自然环境及人为环境等的影响,我们获取的图像经常是降质甚至是模糊的。图像反卷积问题是图像处理的一个重要部分,它主要解决如何在给定模糊图像的基础上估计出真实的图像。由于大多数模糊核都表现出低通特性,真实图像的高频细节经过模糊后会被“丢失”,从而使图像反卷积问题成为一个病态问题。从线性方程组的角度上来看,图像反卷积需要求解的是一个欠定方程组,这样就使得真实图像有很多解。 由于真实图像是多解的,在图像反卷积过程中我们需要添加合适的图像先验项,以确保复原出来的图像有较高的图像质量。图像的先验最初主要是光滑性假设,后来改进为半二次、全变分、稀疏性约束等。其共同特点是无法有效区分图像中的平滑区域、纹理区域及边缘区域,这样容易造成纹理和边缘的模糊。 为了解决上述问题,本文研究了自适应的基于L1和Lp范数全变分的图像反卷积问题。 在基于L1范数的全变分正则项算法研究当中,本文利用了迭代重加权的方法求解L1范数;本文结合矩阵特征值计算理论给出了归整化参数的优化更新策略,使得模型参数适应于更广泛场景的图像;本文利用共轭梯度法求解复原图像,降低了算法的空间复杂度。 针对正则项无法区分平滑区域、纹理区域及边缘区域的问题,本文提出了LP范数的全变分正则项;针对全变分在P小于1的条件下不可导的问题,本文引入了Huber凸函数,并且借助Huber函数的优化形式,使得图像复原的求解结果在P大于1和P小于1两个范围上公式形式一致;本文利用图像梯度符合广义高斯分布的先验,逐像素估计出各个像素点的范数P值; 在无噪声的情况下,与一些算法相比,本文提出的两个算法复原出的图像的PSNR和MSSIM值都更大。通过在不同模糊核上的实验,本文所提出的两个算法有比较好的表现,因此本文所提出的算法对于不同的模糊核具有广泛的适应性。 |
语种 | 中文 |
页码 | 89 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/23852] |
专题 | 自动化研究所_模式识别国家重点实验室_图像与视频分析团队 |
通讯作者 | 马斌斌 |
推荐引用方式 GB/T 7714 | 马斌斌. 自适应拓展图像反卷积算法研究[D]. 智能化大厦第五会议室. 中国科学院自动化研究所. 2019. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论