CN104021529B - 一种模糊图像非盲复原方法 - Google Patents
一种模糊图像非盲复原方法 Download PDFInfo
- Publication number
- CN104021529B CN104021529B CN201410271725.4A CN201410271725A CN104021529B CN 104021529 B CN104021529 B CN 104021529B CN 201410271725 A CN201410271725 A CN 201410271725A CN 104021529 B CN104021529 B CN 104021529B
- Authority
- CN
- China
- Prior art keywords
- sigma
- circletimes
- represent
- rsqb
- lsqb
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011084 recovery Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 abstract 2
- 230000000694 effects Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于泊松概率模型和高斯尺度混合型马尔科夫专家场的模糊图像非盲复原方法,其特征在于其实施步骤如下:1)用泊松概率模型对噪声进行建模;2)用高斯尺度混合型马尔科夫专家场对复原图像进行建模;3)将上述两个模型相乘,得到模糊图像非盲复原的贝叶斯后验概率模型,经过负自然对数运算,将其转化为最大后验估计问题;4)采用嵌套式二次惩罚函数法对步骤3)中的最大后验估计问题求解。本发明能够对模糊图像进行有效复原,获得高质量的复原图像,优于传统方法。
Description
技术领域
本发明涉及计算机图像处理技术,特别涉及一种基于泊松概率模型和高斯尺度混合型马尔科夫专家场的图像去模糊方法。
背景技术
在日常摄影中,经常会遇到拍摄出的图像模糊不清,细节难以分辨的情况。这主要是由于在拍摄过程中照明条件较差,因此需要提高相机的ISO或延长曝光时间以使成像器件获得充足的曝光量。然而提高相机的ISO会使所得图像中包含大量噪声,影响图像的感观效果,而延长曝光时间,则容易造成相机和所拍摄景物之间的相对运动,产生图像模糊。
解决图像模糊的方法多种多样,最常见的是采用稳像设备,如三脚架或镜头稳像器等,但是稳像设备通常较笨重或价格昂贵。除此之外,图像复原的另一条途径是采用数学方法,又称为图像反卷积方法,它能够避免稳像设备的诸多缺点,具有很高的应用价值。
理论上,图像模糊可以表述为清晰图像与模糊核的卷积,同时由于电子器件等外界因素的影响,所得模糊图像中会或多或少的包含噪声。图像复原是图像模糊的逆过程,从模糊图像的形成原理可知,模糊核是图像复原的一个关键因素,在某些情况下,可通过刃边法等测量手段获得近似的模糊核,此时的图像复原称为非盲复原,其数学形式较为简单,但它却是一个典型的病态问题,若采用直接复原方法,即使很少量的噪声,也会使复原结果中出现大量的噪声和振铃,大幅偏离真实情况。解决病态问题的方法称为正则化方法,其原理是对原问题进行修正,增加一些约束条件,使修正后的问题的解尽可能的接近真实情况。
实施正则化方法的途径有很多种,通常的方法是在贝叶斯后验概率框架下对图像复原问题进行重新建模,并将其转化为最大后验估计问题。问题修正过程中,需要对噪声发生的概率分布和复原图像的先验概率分布分别进行建模,常用的噪声概率模型有高斯概率模型和泊松概率模型,由于高斯噪声是二次的,便于优化求解,因此其应用范围远超过泊松概率模型,而本专利则采用了泊松概率模型对噪声进行建模,目的是证明采用该模型,通过适当的建模和优化过程,同样能够获得高质量的复原效果。复原图像的先验概率模型则相当于正则项,即约束条件,其选择的优劣直接关系到复原效果的好坏,常用的先验概率模型有高斯模型、稀疏模型等等,本专利选择了一种高斯尺度混合型马尔科夫专家场,该模型是采用自然图像数据库,利用特定的优化算法训练得到的,较传统模型相比,能够更加准确的描述图像的概率分布特征。
最大后验问题的优化方法同样对图像复原效果有着至关重要的影响。目前,基于噪声的高斯概率模型的图像复原问题的求解方法已经较为成熟,而基于泊松概率模型的图像复原问题的求解还有待研究,虽然常用的优化迭代方法如RL算法、One-Step-Late方法可以用于求解这类问题,但优化过程的收敛性难以保证,特别是对于复杂的正则项,其鲁棒性较差,很难得到令人满意的复原效果。
发明内容
本发明解决的技术问题是提供一种能够在已知模糊图像和模糊核的情况下,去除图像模糊,提高图像对比度和清晰度,同时增加图像细节,复原效果好的模糊图像复原算法。
为了解决上述技术问题,本发明公开了一种基于泊松概率模型和高斯尺度混合型马尔科夫专家场的图像去模糊方法,其实施步骤如下:
1)用泊松概率模型对模糊图像中由成像器件引入的噪声进行建模;
2)用高斯尺度混合型马尔科夫专家场对复原图像进行建模;
3)将上述两个模型相乘,得到模糊图像非盲复原的贝叶斯后验概率模型,经过负自然对数运算,将其转化为最大后验估计问题;
4)采用嵌套式二次惩罚函数法对步骤3)中的最大后验估计问题求解。
所述步骤1)中的泊松概率模型的表达式为:
其中,h表示已知模糊核,表示卷积运算,!表示阶乘运算,表示h和f卷积所得的图像,j表示像素索引,表示h和f卷积所得的图像的第j个像素,gj表示g的第j个像素,表示一维逐项求和运算,表示一维逐项求积运算,表示的gj次幂,(gj)!表示gj的阶乘。
所述步骤2)中的高斯尺度混合型马尔科夫专家场的表达式为:
其中,表示二维逐项求积运算,ψ表示构成P(f)的函数,
m表示构成函数ψ的指数函数的索引,构成ψ的指数函数的总数M的值为8,每一组加权系数πm和标准差σm均为固定常数,并且
π1~8={0.1940,0.0906,0.4631,0.0423,0.1021,0.0816,0.0028,0.0234},
σ1~8={0.0032,0.0147,0.0215,0.0316,0.0464,0.0681,0.100,0.1468};
每一个wi表示一个高通滤波器,i表示构成P(f)的高通滤波器索引,高通滤波器总数是25。
所述步骤3)中的模糊图像非盲复原的贝叶斯后验概率模型的表达式为:
P(f|g)∝P(g|f)P(f),
其中,P(f|g)表示在g发生的情况下f发生的概率,P(g|f)表示噪声发生的概率,P(f)表示复原图像发生的先验概率。
所述步骤3)中的最大后验估计问题的表达式为:
其中,λ为正则化系数,表示二维逐项求积运算,表示的自然对数,表示的自然对数。
所述步骤4)中的嵌套式二次惩罚函数法的详细步骤如下:
a)引入辅助变量u和惩罚系数β1,将u赋值为g,将β1初始化为1,将所述步骤3)中的问题转化为:
b)固定f,对u进行优化,u的第j个像素uj的优化结果是下式所示的二次方程的非负根:
对u进行逐像素优化,得到其优化结果。
c)当得到所有uj的估计值后,转而求解f,此时问题转化为:
求解该问题的步骤如下:
c-1)引入与P(f)表达式中滤波器相同数量并一一对应的辅助变量vi,i=1,2,...,25和一个惩罚系数β2,将β2初始化为1,将步骤c)中的问题转化为:
c-2)固定f,并采用牛顿—拉弗森迭代方法对所有变量vi进行逐一优化求解;(参见:韩丹夫,吴庆标,数值计算方法,浙江大学出版社,2006年第一版,p.145-151)
c-3)当得到所有vi的估计值后,转而求解f,采用在频域中得到f的解析解,经傅里叶逆变换得到f,然后为β2乘以放大因子R,R=2;
c-4)判断β2是否小于βmax,βmax=220,若β2<βmax,则转而执行步骤c-2),否则执行步骤c-5);
c-5)为β1乘以放大因子R。
d)判断β1是否小于βmax,若β1<βmax,则转而执行步骤b),否则执行步骤e);
e)输出f作为最终复原结果。
本发明具有以下优点:本发明基于模糊图像非盲复原的贝叶斯后验概率框架,分别采用了泊松概率模型和一种高斯尺度混合型马尔科夫专家场对噪声和复原图像进行建模,并通过负自然对数运算将其转化为最大后验估计问题。在对所得的最大后验估计问题求解的过程中,采用了一种嵌套式二次惩罚函数法求解,能够获得清晰度高、细节丰富的复原图像,能够保证收敛于理想的复原结果。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明实施例的总流程图。
图2为本发明实施例步骤4)中的嵌套式二次惩罚函数优化方法的流程图。
图3为本发明实施例的模糊图像。
图4为本发明实施例的已知模糊核。
图5为本发明实施例的利用经典的RL算法所得的复原效果。
图6为本发明实施例的复原效果图。
具体实施方式
如图1所示,本实施例基于泊松概率模型和高斯尺度混合型马尔科夫专家场的模糊图像非盲复原方法的实施步骤如下:
1)用泊松概率模型对噪声进行建模;
2)用高斯尺度混合型马尔科夫专家场对复原图像进行建模;
3)将上述两个模型相乘,得到模糊图像非盲复原的贝叶斯后验概率模型,经过负自然对数运算,将其转化为最大后验估计问题;
4)采用嵌套式二次惩罚函数法对步骤3)中的最大后验估计问题求解。
如图3所示,是一幅典型的模糊图像,其形成过程可以表述为清晰图像与模糊核的卷积,同时包含了大量的泊松噪声,其表达式如下:
其中,g表示已知模糊图像,h表示已知模糊核,f表示清晰图像,表示理想的模糊图像,n表示模糊图像中由成像器件引入的噪声,在本实施例中假设噪声符合泊松概率模型。
非盲图像复原是图像模糊的逆过程,它是一个病态问题,由于噪声n的影响,经典的直接复原方法,如Richardson-Lucy(RL)算法会在复原的结果中引入大量的噪声和振铃等负面效应。因此,需要对采取一些修正措施,使问题的解趋于正确。
解决病态问题的方法称为正则化,其原理是为原问题引入一定的限制条件,对原问题进行修正,使新问题的解尽可能的接近真实解。经典的方法是在贝叶斯后验概率框架下对非盲复原问题进行重新建模,其表示式如步骤1)和步骤2)中所示:
P(f|g)∝P(g|f)P(f)
其中,f和g分别表示复原图像和已知模糊图像,P(f|g)表示在g发生的情况下f发生的概率,P(g|f)表示噪声发生的概率,P(f)表示复原图像发生的先验概率。
在对P(g|f)所表示的噪声进行建模时,本实施例选用了如步骤1)所述的泊松概率模型,表达式如下:
其中,h表示已知模糊核,表示卷积运算,!表示阶乘运算,表示h和f卷积所得的图像,j表示像素索引,表示h和f卷积所得的图像的第j个像素,gj表示g的第j个像素,表示一维逐项求和运算,表示一维逐项求积运算,表示的gj次幂,(gj)!表示gj的阶乘。
在对P(f)进行建模时,本实施例选用了如步骤2)所述的高斯尺度混合型马尔科夫专家场,表达式如下:
其中,表示二维逐项求积运算,ψ表示构成P(f)的函数,
m表示构成函数ψ的指数函数的索引,构成ψ的指数函数的总数M的值为8,每一组加权系数πm和标准差σm均为固定常数,并且
π1~8={0.1940,0.0906,0.4631,0.0423,0.1021,0.0816,0.0028,0.0234},
σ1~8={0.0032,0.0147,0.0215,0.0316,0.0464,0.0681,0.100,0.1468};
每一个wi表示一个高通滤波器,i表示构成P(f)的高通滤波器索引,高通滤波器总数是25。
如本实施例步骤3)所述,将上述两个模型相乘后并作负自然对数运算,得到所对应的最大后验估计问题,如下式所示:
其中,λ为正则化系数,表示二维逐项求积运算。
这是一个非线性优化问题,传统方法很难得到令人满意的结果,本实施例采用了一种嵌套式二次惩罚函数法对其求解,图2是其流程图,详细求解步骤如下:
a)引入辅助变量u和惩罚系数β1,将u赋值为g,将β1初始化为1,将所述步骤3)中的问题转化为:
b)固定f,对u进行优化,u的第j个像素uj的优化结果是下式所示的二次方程的非负根:
这是一个凸优化问题,对其求倒数并令结果为零,可知其解是下式所示的二次方程的非负根:
对u进行逐像素优化,得到其优化结果。
c)固定优化所得的u,转而求解f,此时问题转化为:
求解该问题的步骤如下:
c-1)引入与P(f)表达式中滤波器相同数量并一一对应的辅助变量vi,i=1,2,...,25和一个惩罚系数β2,将β2初始化为1,将步骤c)中的问题转化为:
c-2)固定f,并对所有变量vi进行逐一优化求解,此时的优化问题为:
可采用牛顿—拉弗森迭代方法对vi求解。
c-3)当得到所有vi的估计值后,转而求解f,采用在频域中得到f的解析解,如下式所示:
其中,大写字母表示对应变量的傅立叶变换,u表示某一频率成份,上标*表示复共轭。F(u)经傅里叶逆变换得到f,然后为β2乘以放大因子R,R=2;
c-4)判断β2是否小于βmax,βmax=220,若β2<βmax,则转而执行步骤c-2),否则执行步骤c-5);
c-5)为β1乘以放大因子R。
d)判断β1是否小于βmax,若β1<βmax,则转而执行步骤b),否则执行步骤e);
e)输出f作为最终复原结果。
如图4所示为本实施例的已知模糊核,图5为本实施例采用经典的RL算法复原的效果,可见其中包含了大量的噪声,复原效果严重偏离了真实情况。图6为本实施例采用嵌套式二次惩罚函数方法的求解结果,可见复原效果较清晰,含有丰富的细节,噪声和振铃等负面效应得到有效抑制,有效提高了图像质量,明显优于图5。
本发明提供了一种模糊图像非盲复原方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (4)
1.一种基于泊松概率模型和高斯尺度混合型马尔科夫专家场的模糊图像非盲复原方法,其特征在于,包括如下步骤:
1)用泊松概率模型对模糊图像中的噪声进行建模;
2)用高斯尺度混合型马尔科夫专家场对复原图像进行建模;
3)将上述步骤1)和步骤2)两个模型相乘,得到模糊图像非盲复原的贝叶斯后验概率模型,经过负自然对数运算,将其转化为最大后验估计问题;
4)采用嵌套式二次惩罚函数法对步骤3)中的最大后验估计问题求解;
步骤1)中所述噪声为成像器件引入的噪声;
所述步骤1)中的泊松概率模型对噪声进行建模的表达式为:
其中,P(f|g)表示在g发生的情况下f发生的概率,h表示已知模糊核,f和g分别表示复原图像和已知模糊图像,表示卷积运算,!表示阶乘运算,表示h和f卷积所得的图像,j表示像素索引,表示一维逐项求和运算,表示一维逐项求积运算,表示h和f卷积所得的图像的第j个像素,gj表示g的第j个像素,表示的gj次幂,(gj)!表示gj的阶乘;
所述步骤2)中的高斯尺度混合型马尔科夫专家场对复原图像进行建模的表达式为:
其中,表示二维逐项求积运算,ψ表示构成P(f)的函数,
m表示构成函数ψ的指数函数的索引,m取值范围1~8,构成ψ的指数函数的总数M的值为8,每一组加权系数πm和标准差σm均为固定常数,并且
π1~8={0.1940,0.0906,0.4631,0.0423,0.1021,0.0816,0.0028,0.0234},
σ1~8={0.0032,0.0147,0.0215,0.0316,0.0464,0.0681,0.100,0.1468};
每一个wi表示一个高通滤波器,i表示构成P(f)的高通滤波器索引,i取值范围1~25,高通滤波器总数是25。
2.根据权利要求1所述的模糊图像非盲复原方法,其特征在于,所述步骤3)中的模糊图像非盲复原的贝叶斯后验概率模型的表达式为:
P(f|g)∝P(g|f)P(f),
其中,P(f|g)表示在g发生的情况下f发生的概率,P(g|f)表示噪声发生的概率,P(f)表示复原图像发生的先验概率。
3.根据权利要求2所述的模糊图像非盲复原方法,其特征在于,所述步骤3)中的最大后验估计问题的表达式为:
其中,λ为正则化系数,1000≤λ≤10000,表示二维逐项求积运算,表示的自然对数,表示的自然对数。
4.根据权利要求2所述的模糊图像非盲复原方法,其特征在于,所述步骤4)中的嵌套式二次惩罚函数法的包括如下步骤:
a)引入辅助变量u和惩罚系数β1,将辅助变量u赋值为g,将惩罚系数β1初始化为1,将步骤3)中的问题转化为:
b)固定f,对u进行优化,u的第j个像素uj的优化结果是下式所示的二次方程的非负根:
对u进行逐像素优化,得到其优化结果;
c)固定所得的u的优化结果,对f进行优化,此时问题转化为:
求解该问题的步骤如下:
c-1)引入与P(f)表达式中滤波器相同数量并一一对应的辅助变量vi,i=1,2,…,25和一个惩罚系数β2,将β2初始化为1,将步骤c)中的问题转化为:
c-2)固定f,并采用牛顿—拉弗森迭代方法对所有变量vi进行逐一优化求解;
c-3)当得到所有vi的优化结果后,求解f,采用在频域中得到f的解析解,经傅里叶逆变换得到f,然后将β2乘以放大因子R,R=2;
c-4)判断β2是否小于βmax,βmax=220,若β2<βmax,则转而执行步骤c-2),否则执行步骤c-5);
c-5)将β1乘以放大因子R;
d)判断β1是否小于βmax,若β1<βmax,则转而执行步骤b),否则执行步骤e);
e)输出f作为最终复原结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410271725.4A CN104021529B (zh) | 2014-06-17 | 2014-06-17 | 一种模糊图像非盲复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410271725.4A CN104021529B (zh) | 2014-06-17 | 2014-06-17 | 一种模糊图像非盲复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104021529A CN104021529A (zh) | 2014-09-03 |
CN104021529B true CN104021529B (zh) | 2017-01-11 |
Family
ID=51438268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410271725.4A Expired - Fee Related CN104021529B (zh) | 2014-06-17 | 2014-06-17 | 一种模糊图像非盲复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104021529B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
CN108665412B (zh) * | 2018-03-20 | 2020-05-22 | 浙江大学 | 一种利用自然图像先验知识进行多帧图像超分辨重建的方法 |
CN110599429B (zh) * | 2019-09-26 | 2022-09-13 | 河海大学常州校区 | 一种高能x射线图像非盲去模糊方法 |
CN112116541B (zh) * | 2020-09-24 | 2024-05-14 | 南京航空航天大学 | 基于梯度l0范数和总变分正则化约束的模糊图像复原方法 |
CN111986121B (zh) * | 2020-09-24 | 2024-01-09 | 南京航空航天大学 | 基于Framelet l0范数约束的模糊图像非盲复原方法 |
CN111986122B (zh) * | 2020-09-24 | 2023-12-12 | 南京航空航天大学 | 基于混合型总变分正则化的模糊图像非盲复原方法 |
CN111986136B (zh) * | 2020-09-24 | 2024-01-30 | 南京航空航天大学 | 一种基于泊松概率模型的模糊图像序列融合复原方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007122838A1 (ja) * | 2006-04-25 | 2007-11-01 | National University Corporation NARA Institute of Science and Technology | 階層ベイズ法に基づく超解像法および超解像プログラム |
CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
CN101980285A (zh) * | 2010-11-09 | 2011-02-23 | 西安电子科技大学 | 结合gmrf先验的非局部图像修复方法 |
CN102208100A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 基于Split Bregman 迭代的全变差正则化图像盲复原方法 |
CN103337057A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于多尺度自相似的运动模糊图像盲复原方法 |
-
2014
- 2014-06-17 CN CN201410271725.4A patent/CN104021529B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007122838A1 (ja) * | 2006-04-25 | 2007-11-01 | National University Corporation NARA Institute of Science and Technology | 階層ベイズ法に基づく超解像法および超解像プログラム |
CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
CN101980285A (zh) * | 2010-11-09 | 2011-02-23 | 西安电子科技大学 | 结合gmrf先验的非局部图像修复方法 |
CN102208100A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 基于Split Bregman 迭代的全变差正则化图像盲复原方法 |
CN103337057A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于多尺度自相似的运动模糊图像盲复原方法 |
Non-Patent Citations (3)
Title |
---|
Blind image deconvolution using the Fields of Experts prior;Wende Dong 等;《Optics Communications》;20120831;5051-5061 * |
基于Poisson-Markov分布最大后验概率的多通道超分辨率盲复原算法;陈翼男 等;《物理学报》;20090131;第58卷(第1期);第264-271页 * |
基于光纤陀螺颤振探测的图像复原技术研究;董文德;《中国博士学位论文全文数据库 信息科技辑》;20130815;第17页、第19-20页、第30页、第32-34页、第79-84页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104021529A (zh) | 2014-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104021529B (zh) | 一种模糊图像非盲复原方法 | |
Zhou et al. | Multi-channel deep networks for block-based image compressive sensing | |
Luo et al. | Image restoration with mean-reverting stochastic differential equations | |
CN104008531B (zh) | 一种基于混合型马尔科夫专家场的模糊图像盲复原方法 | |
WO2020015330A1 (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
Yuan et al. | Image quality assessment: A sparse learning way | |
CN108416753B (zh) | 一种基于非参数化交替方向乘子法的图像去噪算法 | |
CN105957026A (zh) | 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法 | |
CN102567973A (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
Ran et al. | Remote sensing images super-resolution with deep convolution networks | |
CN104732566B (zh) | 基于非分离稀疏先验的高光谱图像压缩感知方法 | |
Bai et al. | Adaptive correction procedure for TVL1 image deblurring under impulse noise | |
US20220005165A1 (en) | Image enhancement method and apparatus | |
CN111986122B (zh) | 基于混合型总变分正则化的模糊图像非盲复原方法 | |
CN107292316A (zh) | 一种基于稀疏表示的提升图像清晰度的方法 | |
Chaurasiya et al. | Deep dilated CNN based image denoising | |
Zhao et al. | Skip-connected deep convolutional autoencoder for restoration of document images | |
Huang et al. | Wavedm: Wavelet-based diffusion models for image restoration | |
Wang et al. | Frequency compensated diffusion model for real-scene dehazing | |
Huang et al. | Image restoration from patch-based compressed sensing measurement | |
Li et al. | Real-time image enhancement with efficient dynamic programming | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
Zhao et al. | Image super-resolution via two stage coupled dictionary learning | |
CN108492264B (zh) | 一种基于sigmoid变换的单帧图像快速超分辨方法 | |
CN101567079B (zh) | 基于Hopfield神经网络的运动模糊图像恢复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 |