CN108416750B - 一种图像恢复方法 - Google Patents
一种图像恢复方法 Download PDFInfo
- Publication number
- CN108416750B CN108416750B CN201810189573.1A CN201810189573A CN108416750B CN 108416750 B CN108416750 B CN 108416750B CN 201810189573 A CN201810189573 A CN 201810189573A CN 108416750 B CN108416750 B CN 108416750B
- Authority
- CN
- China
- Prior art keywords
- image
- indicate
- follows
- objective function
- subproblem
- 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 45
- 238000011084 recovery Methods 0.000 title claims abstract description 24
- 230000003416 augmentation Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003313 weakening effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Discrete Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像恢复方法,具体的为一种基于分数阶交叠组合稀疏全变分的图像恢复方法。结合传统模型和分数阶全变分得出分数阶交叠组稀疏全变分正则化去模糊问题的目标函数,进而得出增广拉格朗日目标函数,将求解增广拉格朗日目标函数转换为三个子问题进行求解。为了提高图像还原的运算速度,我们将图像的横向、纵向差分矩阵运算建模为卷积运算,结合周期性边界条件,将二维快速傅里叶变换巧妙应用到图像复原问题中,利用频域上的点乘操作代替空域上大型矩阵运算,从而提高运算效率。本发明在充分考虑图像所有局部和非局部特征的基础上,提高了抗噪声的鲁棒性、平滑区域与边缘区域之间的差异性和对图像边缘的保护。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像恢复方法。
背景技术
数字图像处理在生物医学、航空航天、机器视觉等众多领域有着广泛的应用。由于成像设备的限制和图像传输过程中的不利因素的影响,我们得到的图像往往出现不同程度的降质,如图像的模糊、图像噪声、图像部分信息丢失等。这对于后期的图像处理,如图像检测、图像分割、图像匹配等,产生不利的影响。如何减弱或者去除降质因素对图像质量的影响,以满足实际应用的需求,成为人们极为关注的问题。
图像恢复是利用获得的降质图像及某些先验信息,恢复和重建清晰图像,从而改善图像质量的技术。在医学成像、空间探索、遥感成像、物质检测、军事目标识别等诸多领域有着广泛的应用。合理的图像恢复模型并配合高性能的求解算法具有非常重要的意义。
Rudin等人于1992年在Physica D刊物上发表了题为“Nonlinear totalvariation based noise removal algorithms”的论文中首次开创性地提出将全变分(Total Variation,TV)变换应用到图像去噪,图像去模糊等图像复原问题中,较好地重构图像。然而,在一阶TV模型中存在两个突出问题,第一个问题,TV模型假设图像是分片光滑的,TV去噪模型在保持图像边缘方面具有非常明显的优势,但是也容易带来阶梯效应。第二个问题,传统TV模型中仅仅考虑了横纵两个方向的梯度信息,并没有充分将每个点的邻域梯度信息利用起来。
发明内容
为了解决上述问题,本发明旨在提供一种图像恢复方法,将一种新的去模糊模型应用在自然图像去模糊中,交叠组稀疏正则项的提出是为了解决阶梯效应问题,分数阶全变分为解决邻域信息挖掘不够充分的问题。然后利用交替方向乘子法(AlternatingDirection Method of Multipliers,ADMM)进行求解。同时,为提高计算效率,在交替方向乘子法中引入快速傅里叶变换(Fast Fourier Transform,FFT),将图像域图像差分操作变换到频域,这样可以有效避免大矩阵相乘运算。
具体方案如下:
一种图像恢复方法,包括以下步骤:
S1:输入观察图像;
S2:对图像模型进行初始化设定,设定参数:停止阈值tol、二次惩罚项的惩罚系数β、正则参数μ、二维图像元素的个数M、迭代次数阈值Nit、迭代次数n=0、循环次数k=0,设定
S3:计算分数阶交叠组稀疏全变分正则化去模糊问题的目标函数的增广拉格朗日目标函数:
S4:将求解增广拉格朗日目标函数转换为F子问题、X1子问题和X2子问题三个子问题进行求解,所述三个子问题的迭代表达式为:
其中k为迭代次数;
S5:求解F子问题的计算公式:
S6:根据优化最小化算法(Majorization Minimization,MM)得出Xi(i=1,2)子问题的迭代表达式为:
根据迭代次数阈值Nit将上述Xi(i=1,2)子问题的迭代表达式进行Nit次迭代求解X1和X2;
S7:计算对偶变量和
所述对偶变量的计算公式为:
S8:判断是否满足:如果满足,进入S9,如果不满足,设定k=k+1,返回S3;
S10:输出恢复图像。
进一步的,步骤S2中设定参数tol=10-4、β=1、μ=1、M=20、Nit=10。
进一步的,步骤S3中所述增广拉格朗日目标函数的求解过程为:
S31:根据传统模型和分数阶全变分得出分数阶交叠组稀疏全变分正则化去模糊问题的目标函数为:
S32:设定和Xi∈RN×N(i=1,2),将目标函数修改为:
S33:利用增广拉格朗日方法,求得目标函数的增广拉格朗日目标函数为:
其中Λi(i=1,2)为拉格朗日乘子,β>0为惩罚参数;
S34:利用交替方向乘子法,引入分裂变量的对偶变量与二次惩罚项β,
令设定
则增广拉格朗日目标函数修改为:
进一步的,步骤S5中所述F子问题的计算公式通过以下步骤得出:
S51:利用快速二维傅里叶变换将时域图像差分操作变换到频域,计算F子问题的频域表达式:
其中表示x的频谱,符号表示不同矩阵之间相同位置元素点乘;
S52:令频域表达式的一阶差分结果为0,利用二维傅里叶反变换得到F子问题的计算公式为:
其中表示二维傅里叶反变换,除法表示不同矩阵之间相同位置元素点除。
进一步的,步骤S6中所述Xi(i=1,2)子问题的迭代表达式计算方法为:
根据优化最小化算法得出Xi(i=1,2)子问题的迭代表达式为:
其中为一个对角线矩阵,对角线上的元素定义为:
其中Λ的对角元通过Matlab的内置函数conv2计算获得;
迭代循环计算公式中的表示单位矩阵,表示在第k+1次外循环中MM算法的第n次代,的计算公式为:
本发明采用如上技术方案,提出一种基于分数阶交叠组合稀疏全变分的图像恢复方法。分数阶全变分将传统整数阶TV模型延伸到分数阶模型,不仅考虑到图像的局部特性,还将图像的非局部特性考虑进去,提高了抗噪声的鲁棒性。而交叠组合稀疏全变分则将每个像素的全变分梯度推广为组合梯度,从而提高平滑区域与边缘区域之间的差异性,利用这种方法提高对图像边缘的保护。为了提高图像还原的运算速度,我们将图像的横向、纵向差分矩阵运算建模为卷积运算,结合周期性边界条件,将二维快速傅里叶变换巧妙应用到图像复原问题中,利用频域上的点乘操作代替空域上大型矩阵运算,从而提高运算效率。
附图说明
图1所示为本发明实施例一的流程示意图。
图2所示为本发明实施例一中的恢复前的图像示意图。
图3所示为本发明实施例一中的恢复后的图像示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
本发明实施例提供了一种图像恢复方法,如图1所示,其为本发明实施例一所述的图像恢复方法的流程示意图,所述方法可包括以下步骤:
S1:输入观察图像。
如图2所示,图2(a)为原图像,图2(b)为模糊核,为图2(c)为被模糊的图像,图2(d)为被模糊并且加高斯噪声的图像,该实施例中所述观察图像为图2(c)的被模糊的图像,对其进行图像复原,尽量使输出的恢复图像逼近原图。
S2:对图像模型进行初始化设定,设定参数tol、β、μ、M、Nit、n=0、k=0,设定
其中,tol是停止阈值,该实施例中设定为tol=10-4。β表示二次惩罚项的惩罚系数,该实施例中设定为β=1。μ表示正则参数,该实施例中设定为μ=1。M表示二维图像元素的个数,该实施例中设定为M=20。Nit表示迭代次数阈值,该实施例中设定Nit=10,n表示迭代次数,k表示循环次数。
S3:计算交叠组稀疏全变分正则化去模糊问题的目标函数的增广拉格朗日目标函数:
所述增广拉格朗日目标函数的求解过程为:
S31:根据传统各向异性TV去模糊模型和分数阶全变分得出分数阶交叠组稀疏全变分正则化去模糊问题的目标函数为:
所述目标函数的求解过程如下:
S311:传统各向异性TV去模糊模型如下:
其中,G∈RN×N表示被模糊并高斯噪声污染的观测图像;F∈RN×N表示由去噪模型恢复出的图像;||·||2表示欧式L2范数;RATV(F)表示基于各向异性TV的稀疏约束项;式(3)第一项称为保真项,第二项μRATV(F)对真实图像的先验假设称为正则项,μ为正则参数,用来衡量保真项与正则项之间的权重;H∈RN×N表示模糊核,*为卷积算符。
传统各向异性TV(Anisotropic TV,ATV)定义如下:
RATV(F)=||Kh*F||1+||Kv*F||1 (4)
其中Kh=[-1,1]表示横向卷积核,Kv=[-1,1]T表示纵向卷积核。
S312:交叠组稀疏全变分正则化去模糊问题的目标函数为:
其中和分别表示横向和竖向组合梯度,考虑交叠组合稀疏的正则项表示为在图像恢复过程中,若考虑到图像邻域M×M个点的信息(M为组合的大小),定义:
二维图像的M×M个元素构成的组块定义为:
其中, 向下取整,表示小于或等于x的最大整数;元素Vi,j位于矩阵的中心位置,选取的组将中心围起来。当M=1时,交叠组合稀疏模型就退化为ATV模型。采用这种组合稀疏的方式作为正则项,充分考虑到图像邻域信息,从而有效抑制了“阶梯效应”。
S313:分数阶全变分是全变分的另一种延伸,它将传统的差分算子扩展到分数阶差分算子,更充分挖掘邻域梯度信息。τ阶全变分去模糊去噪模型可以描述为:
其中和分别代表了水平方向和垂直方向的τ阶梯度算子。有限的分数阶差分定义为:
其中广义二项式系数为:
伽马函数为:
为简单起见,可以从以下式子得到递归:
其中,当:τ=1,时分数阶模型退化为ATV模型。
S314:根据传统模型和分数阶全变分得出交叠组稀疏全变分正则化去模糊问题的目标函数为:
S32:设定和Xi∈RN×N(i=1,2),将式(13)的交叠组稀疏全变分正则化去模糊问题的目标函数修改为:
S33:利用增广拉格朗日方法(Augmented Lagrangian Multiplier method,ALM)解决形如式(14)的约束优化问题,将其转换为无约束问题,其增广拉格朗日目标函数表示为:
其中Λi(i=1,2)为拉格朗日乘子,β>0为惩罚参数。
S34:对变量X1,X2联合求解最值问题相对困难,为了解决上述难点,我们采用了交替方向乘子法。ADMM的思想是将原问题中X1,X2分开独立求解,从而收敛到原模型的最优解。为此,引入分裂变量的对偶变量(即拉格朗日系数)与二次惩罚项,令并对目标函数补配方项则有:
S4:由于变量之间相互独立,将求解增广拉格朗日目标函数转化为三个子问题进行单独求解,于是得到如下的迭代格式,k为迭代次数:
下面,逐一给出求解每一个子问题的方法:
S5:求解F子问题的计算公式:
对于F子问题,直接从空域求解,要将目标函数中的卷积算子写成Toeplitz矩阵形式,并且将G和F进行列化操作,导致涉及的矩阵规模为计算复杂度极高。为了有效避免大矩阵相乘运算带来的计算复杂度,我们引入快速二维傅里叶变换将时域图像差分操作变换到频域。F子问题的频域表达式为:
式(19)中表示x的频谱,符号表示不同矩阵之间相同位置元素点乘。
由于式(19)等式右边的函数是光滑的凸函数,可令其一阶差分结果为0,从而求解最优值。利用二维傅里叶反变换得到F子问题的最优解,整理得:
式(20)中,表示二维傅里叶反变换;除法表示不同矩阵之间相同位置元素点除。
S6:根据优化最小化算法(Majorization Minimization,MM)得出X1和X2子问题的迭代表达式为:
根据迭代次数阈值Nit将上述X1和X2子问题的迭代表达式进行Nit次迭代求解X1和X2;
对于Xi(i=1,2)子问题,为了求解包含交叠组合稀疏的最优解,我们采用了优化最小化(Majorization Minimization,MM)算法。式(17)中的X1,X2子问题可由下列迭代循环求解,
是一个对角线矩阵,对角线上的元素定义如下,
Λ的对角元可由Matlab的内置函数conv2计算获得。式(21)中,表示单位矩阵;表示在第k+1次外循环中MM算法的第n次迭代,
S7:计算对偶变量和
根据交替方向乘子法,对偶变量的更新方式如下:
S8:判断是否满足:如果满足,进入S9,如果不满足,设定k=k+1,返回S3;
S10:输出恢复图像。
如图3所示,图3(a)为使用传统各向异性ATV方法的恢复图像,图3(b)使用分数阶TV方法的恢复图像,为图3(c)为使用交叠组稀疏TV方法的恢复图像,图3(d)为使用该实施例中方法的恢复图像,对比各种正则项计算得到的恢复图像,可以看到,ATV方法阶梯效应最为严重,分数阶TV方法中的阶梯效应依然存在,交叠组合稀疏方法的阶梯效应得到一定的缓解,而我们提出的方法恢复的图像则相对于其他方法的恢复图像更好,阶梯效应去除得更为明显。
本发明实施例提出一种基于分数阶交叠组合稀疏全变分的图像恢复方法。分数阶全变分将传统整数阶TV模型延伸到分数阶模型,不仅考虑到图像的局部特性,还将图像的非局部特性考虑进去,提高了抗噪声的鲁棒性。而交叠组合稀疏全变分则将每个像素的全变分梯度推广为组合梯度,从而提高平滑区域与边缘区域之间的差异性,利用这种方法提高对图像边缘的保护。为了提高图像还原的运算速度,我们将图像的横向、纵向差分矩阵运算建模为卷积运算,结合周期性边界条件,将二维快速傅里叶变换巧妙应用到图像复原问题中,利用频域上的点乘操作代替空域上大型矩阵运算,从而提高运算效率。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (4)
1.一种图像恢复方法,其特征在于:包括以下步骤:
S1:输入观察图像;
S2:初始化设定:设定参数:停止阈值tol、二次惩罚项的惩罚系数β、正则参数μ、二维图像元素的个数M、迭代次数阈值Nit、迭代次数n=0、循环次数k=0,设定
S3:计算分数阶交叠组稀疏全变分正则化去模糊问题的目标函数的增广拉格朗日目标函数:
其中G∈RN×N表示观测图像,F∈RN×N表示恢复出的图像,H∈RN×N表示模糊核,*为卷积算符,||·||2表示欧式L2范数,Kh=[-1,1]表示横向卷积核,Kv=[-1,1]T表示纵向卷积核,和分别代表了水平方向和垂直方向的τ阶梯度算子,为X1,X2的对偶变量;
其中,系数可以从下式递归得到:
函数定义为:
其中为二维图像的M×M个元素构成的组块,即:
其中, 向下取整,表示小于或等于x的最大整数,元素Vi,j位于矩阵的中心位置;
S4:将求解增广拉格朗日目标函数转换为F子问题、X1子问题和X2子问题三个子问题进行求解,所述三个子问题的迭代表达式为:
其中k为迭代次数;
S5:求解F子问题的计算公式:
其中,表示x的频谱,符号ο表示不同矩阵之间相同位置元素点乘,表示二维傅里叶反变换;除法表示不同矩阵之间相同位置元素点除;
S6:根据优化最小化算法得出Xi(i=1,2)子问题的迭代表达式为:
其中,是一个对角线矩阵,对角线上的元素定义如下,
表示单位矩阵;表示在第k+1次外循环中优化最小化算法的第n次迭代,
根据迭代次数阈值Nit将上述Xi(i=1,2)子问题的迭代表达式进行Nit次迭代求解X1和X2;
S7:计算对偶变量和
所述对偶变量的计算公式为:
S8:判断是否满足:如果满足,进入S9,如果不满足,设定k=k+1,返回S3;
S10:输出恢复图像。
2.根据权利要求1所述的图像恢复方法,其特征在于:步骤S2中设定参数tol=10-4、β=1、μ=1、M=20、Nit=10。
3.根据权利要求1所述的图像恢复方法,其特征在于:步骤S3中所述增广拉格朗日目标函数的求解过程为:
S31:根据传统模型和分数阶全变分得出分数阶交叠组稀疏全变分正则化去模糊问题的目标函数为:
S32:设定和Xi∈RN×N(i=1,2),将目标函数修改为:
S33:利用增广拉格朗日方法,求得目标函数的增广拉格朗日目标函数为:
其中Λi(i=1,2)为拉格朗日乘子,β>0为惩罚参数;
S34:利用交替方向乘子法,引入分裂变量的对偶变量与二次惩罚项β,
令设定
则增广拉格朗日目标函数修改为:
4.根据权利要求1所述的图像恢复方法,其特征在于:步骤S5中所述F子问题的计算公式通过以下步骤得出:
S51:利用快速二维傅里叶变换将时域图像差分操作变换到频域,计算F子问题的频域表达式:
其中表示x的频谱,符号ο表示不同矩阵之间相同位置元素点乘;
S52:令频域表达式的一阶差分结果为0,利用二维傅里叶反变换得到F子问题的计算公式为:
其中表示二维傅里叶反变换,除法表示不同矩阵之间相同位置元素点除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189573.1A CN108416750B (zh) | 2018-03-08 | 2018-03-08 | 一种图像恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189573.1A CN108416750B (zh) | 2018-03-08 | 2018-03-08 | 一种图像恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416750A CN108416750A (zh) | 2018-08-17 |
CN108416750B true CN108416750B (zh) | 2019-02-12 |
Family
ID=63130308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189573.1A Expired - Fee Related CN108416750B (zh) | 2018-03-08 | 2018-03-08 | 一种图像恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416750B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767404B (zh) * | 2019-01-25 | 2023-03-31 | 重庆电子工程职业学院 | 一种椒盐噪声下红外图像去模糊方法 |
CN110084756B (zh) * | 2019-04-15 | 2020-12-29 | 闽南师范大学 | 一种基于高阶交叠组稀疏全变分的图像去噪方法 |
CN110084759B (zh) * | 2019-04-23 | 2020-06-09 | 闽南师范大学 | 一种图像填补方法、终端设备及存储介质 |
CN110189254B (zh) * | 2019-04-30 | 2020-12-08 | 华中科技大学 | 一种图像数据集的形变参数集束平差方法及图像拼接方法 |
CN110619680A (zh) * | 2019-10-23 | 2019-12-27 | 浙江大学深圳研究院 | 一种基于图变分的三维断层相位显微镜重建方法 |
CN111553863B (zh) * | 2020-04-30 | 2023-03-03 | 河南大学 | 一种基于非凸全变分型正则化的图像增强方法 |
CN112233046B (zh) * | 2020-11-16 | 2022-05-17 | 山东科技大学 | 一种柯西噪声下的图像复原方法及其应用 |
CN115082333A (zh) * | 2022-05-16 | 2022-09-20 | 西北核技术研究所 | 基于归一化加权总变分法的图像去模糊方法、计算机程序产品 |
CN116091561A (zh) * | 2023-01-18 | 2023-05-09 | 东北林业大学 | 一种基于差异绝对值总和及任意阶全变分的可变形图像配准方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530258A (zh) * | 2016-11-22 | 2017-03-22 | 哈尔滨工业大学 | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8447135B2 (en) * | 2011-03-02 | 2013-05-21 | Nanyang Technological University | Methods and systems for generating enhanced images using Euler's Elastica model |
CN103345729A (zh) * | 2013-06-30 | 2013-10-09 | 浙江贝尔技术有限公司 | 一种基于截断核范数正则化的图像恢复方法 |
CN104063852B (zh) * | 2014-07-07 | 2016-09-07 | 温州大学 | 一种基于指数化核范数与混合奇异值截断的张量恢复方法 |
CN104537613A (zh) * | 2014-12-02 | 2015-04-22 | 沈阳大学 | 一种用于改善图像视觉效果的分数阶I-divergence方法 |
CN105260995B (zh) * | 2015-12-01 | 2019-03-08 | 苏州大学 | 一种图像修复与去噪方法及系统 |
-
2018
- 2018-03-08 CN CN201810189573.1A patent/CN108416750B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530258A (zh) * | 2016-11-22 | 2017-03-22 | 哈尔滨工业大学 | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 |
Non-Patent Citations (2)
Title |
---|
"基于全变分的全向图像稀疏重构算法";娄静涛等;《电子学报》;20140228;第44卷(第2期);论文第243-247页 |
"基于稀疏表示及正则约束的图像去噪方法综述";彭真明等;《数据采集与处理》;20180115;第33卷(第1期);论文第1-8页 |
Also Published As
Publication number | Publication date |
---|---|
CN108416750A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416750B (zh) | 一种图像恢复方法 | |
Chun et al. | Momentum-Net: Fast and convergent iterative neural network for inverse problems | |
Wang et al. | Robust object removal with an exemplar-based image inpainting approach | |
Shen et al. | Mutual-structure for joint filtering | |
JP5645842B2 (ja) | スケールスペースを使用した画像処理装置及び方法 | |
Mitzel et al. | Video super resolution using duality based tv-l 1 optical flow | |
Li et al. | Video super-resolution using an adaptive superpixel-guided auto-regressive model | |
Panagiotopoulou et al. | Super-resolution image reconstruction techniques: Trade-offs between the data-fidelity and regularization terms | |
CN103426148A (zh) | 生成低分辨率输入数据结构的超分辨率版本的方法和设备 | |
Ma et al. | Curvelet-based snake for multiscale detection and tracking of geophysical fluids | |
Yuan et al. | Variational level set methods for image segmentation based on both L2 and Sobolev gradients | |
CN108198149B (zh) | 一种图像去模糊方法 | |
Yun et al. | Linearized proximal alternating minimization algorithm for motion deblurring by nonlocal regularization | |
Zhu et al. | Segmentation with depth: A level set approach | |
Hu et al. | An efficient fusion algorithm based on hybrid multiscale decomposition for infrared-visible and multi-type images | |
CN104766290A (zh) | 一种基于快速nsct的像素信息估计融合方法 | |
Mochizuki et al. | Variational method for super-resolution optical flow | |
Wang et al. | Convex regularized inverse filtering methods for blind image deconvolution | |
Lv et al. | Joint image registration and point spread function estimation for the super-resolution of satellite images | |
Hesabi et al. | A modified patch propagation-based image inpainting using patch sparsity | |
Ghassab et al. | Plug-and-play video super-resolution using edge-preserving filtering | |
Mitiche et al. | Monocular concurrent recovery of structure and motion scene flow | |
Charif et al. | Horn & Schunck meets a discrete Zhang neural networks for computing 2D optical flow | |
Yusiong et al. | Unsupervised monocular depth estimation of driving scenes using siamese convolutional LSTM networks | |
Tuyet et al. | Reducing impurities in medical images based on curvelet domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190212 Termination date: 20210308 |