CN113592728A - 一种图像复原方法、系统、处理终端及计算机介质 - Google Patents

一种图像复原方法、系统、处理终端及计算机介质 Download PDF

Info

Publication number
CN113592728A
CN113592728A CN202110746291.9A CN202110746291A CN113592728A CN 113592728 A CN113592728 A CN 113592728A CN 202110746291 A CN202110746291 A CN 202110746291A CN 113592728 A CN113592728 A CN 113592728A
Authority
CN
China
Prior art keywords
image
blur
cauchy
image block
noise
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.)
Granted
Application number
CN202110746291.9A
Other languages
English (en)
Other versions
CN113592728B (zh
Inventor
许淑华
齐鸣鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University of Technology
Original Assignee
Wenzhou University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University of Technology filed Critical Wenzhou University of Technology
Priority to CN202110746291.9A priority Critical patent/CN113592728B/zh
Publication of CN113592728A publication Critical patent/CN113592728A/zh
Application granted granted Critical
Publication of CN113592728B publication Critical patent/CN113592728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像复原方法、系统、处理设备及计算机存储介质，涉及图像处理技术领域，包括：获取原始图像x，并利用降质退化矩阵H退化原始图像x,生成具有柯西噪声和/或模糊的图像y；将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性把m个图像块分成n个组；将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组；将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像。

Description

一种图像复原方法、系统、处理终端及计算机介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像复原方法、系统、处理终端及计算机介质。
背景技术
图像是人们客观认识世界的一个重要途径，高质量的图像可以提供尽可能多的信息给人们，但是由于成像设备、拍摄环境等因素的干扰和影响，我们获得的图像的经常产生退化和降质，伴随一定的噪声和模糊，图像恢复是图像处理中的一个基本问题，它是从一幅观察到的图像中估计出原始的干净图像。
为了去除柯西噪声，基于全变分正则项的变分模型在图像去噪中得到了广泛的应用，由于全变分在平滑区域中会受到楼梯效应，不能有效地恢复图像的细节和纹理，从而导致图像过平滑的问题；如果图像不仅包含平坦区域，而且包含倾斜区域，则全广义变分模型(TGV)在单幅图像去噪中表现出很好的去噪能力，由于TGV模型独立地处理像素，忽略了被处理图像的相似性；因此，TGV模型对高振幅噪声不具有鲁棒性。
新进研发的利用图像非局部信息的变分方法去除噪声效果与传统的利用局部特征方法相比有了很大的改进，虽然基于非局部方法利用了图像块的相似性，提升去噪效果，但图像块的低相似性或不相似性限制了该方法的适用性。
通过上述对比分析可知：现有技术中对于恢复退化图像中的柯西噪声和模糊，存在楼梯效应、不能有效地恢复图像的细节和纹理、对高振幅噪声不具有鲁棒性、图像块的低相似性或不相似性等问题。
发明内容
为了解决上述技术问题，针对以上问题点，本发明公开了一种图像复原方法、系统、处理终端及计算机介质，解决现有技术中对于恢复退化图像中的柯西噪声和模糊，存在楼梯效应、不能有效地恢复图像的细节和纹理、对高振幅噪声不具有鲁棒性、图像块的低相似性或不相似性等问题。
为了达到上述发明目的一种图像复原方法，所述方法包括：
获取原始图像x，并利用降质退化矩阵H退化原始图像x，生成具有柯西噪声和/或模糊的图像y；
将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性把m个图像块分成n个组；
将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组；
将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像。
在一个实施方式中，所述获取原始图像x，并利用降质退化矩阵H退化图像x，生成具有柯西噪声和/或模糊的图像y，包括：
所述图像退化过程表示为：
Figure BDA0003142902970000021
其中，η是服从柯西分布的随机变量，γ＞0表示柯西噪声水平值，η1、η2是服从均值为0，方差为1的高斯分布的独立随机变量，H表示模糊核在去噪情况下，H是恒等运算，只受柯西噪声污染。
在一个实施方式中，所述将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性，把m个图像块分成n个组，包括：
选取步长为s对大小为
Figure BDA0003142902970000022
的图像y进行分割，将其分割成m个大小为
Figure BDA0003142902970000023
的图像块yi，yi∈RP(i＝1，2，…，m)，用数学式子yi＝Ri(y)
来描述，其中Ri(·)表示抽取图像块的操作符；
寻找与图像块yi，的最相似的h-1个图像块，每个图像块拉成一列，用矩阵
Figure BDA0003142902970000024
表示，这h个图像块构成一个图像块组，用数学式子
Figure BDA0003142902970000025
来描述，其中
Figure BDA0003142902970000026
表示抽取图像块组的操作符。在一个实施方式中，将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组，包括：
输入参数λ0、λ、μ，柯西噪声水平γ，图像块组总数n，图像块大小，组中图像块的个数，字典列的数量，内循环迭代次数TI，收敛值tol，增长率rβ
Figure BDA00031429029700000314
γξ：
步骤4.1：初始化
Figure BDA00031429029700000315
其中max表示求最大数，min表示求最小数，使用离散余弦变换(DCT)初始化字典D；
步骤4.2：外循环；
步骤4.3：令变量i＝1；
步骤4.4：t＝0；
步骤4.5：初始化正则化参数β、Υ1、Υ2、ξ；
Figure BDA0003142902970000031
Figure BDA0003142902970000032
Figure BDA0003142902970000033
其中，
Figure BDA0003142902970000034
和
Figure BDA0003142902970000035
分别表示水平和垂直方向的一阶梯度，
Figure BDA0003142902970000036
和
Figure BDA0003142902970000037
分别表示对角线45°和135°方向的一阶梯度信息；
步骤4.6：内循环
步骤4.7：t＝t+1；
步骤4.8：使用正交匹配追踪算法(OMP)求解式：
Figure BDA0003142902970000038
更新组的稀疏编码系数
Figure BDA0003142902970000039
步骤4.9：
Figure BDA00031429029700000310
其中I表示单位矩阵；
步骤4.10：使用牛顿法求解式
Figure BDA00031429029700000311
更新zt；
步骤4.11：
Figure BDA00031429029700000312
步骤4.12：
Figure BDA00031429029700000313
步骤4.13：使用快速傅利叶变换(FFT)求解式
Figure BDA0003142902970000041
得到
Figure BDA0003142902970000042
步骤4.14：使用快速傅利叶变换(FFT)求解式
Figure BDA0003142902970000043
Figure BDA0003142902970000044
和
Figure BDA0003142902970000045
Figure BDA0003142902970000046
得到
Figure BDA0003142902970000047
步骤4.15：使用奇异值分解(KSVD)算法更新字典D；
步骤4.16：β＝β·rβ，
Figure BDA00031429029700000413
ξ＝ξ·rξ；
步骤4.17：若t≤TI并且
Figure BDA0003142902970000048
返回步骤4.7，否则进入步骤4.18；
步骤4.18：i＝i+1；
步骤4.19：若i＜＝n，返回步骤4.4，否则进入步骤4.20；
步骤4.20：输出所有被复原的干净清晰的图像块组
Figure BDA0003142902970000049
在一个实施方式中，所述将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像，包括：输出复原图像
Figure BDA00031429029700000410
其中，
Figure BDA00031429029700000411
是
Figure BDA00031429029700000412
的转置操作。
本发明还提供了一种图像复原系统，所述系统包括：
图像退化处理模块：用于获取原始图像x，并利用降质退化矩阵H退化原始图像x,生成具有柯西噪声和/或模糊的图像y；
图像分割模块：用于将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性把m个图像块分成n个组；
图像去噪模块；用于将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组；
图像复原模块：将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像。
本发明还提供一种图像复原处理终端，包括：输入设备、输出设备、存储器、处理器；所述输入设备、所述输出设备、所述存储器和所述处理器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所护处理器被配置调用所述程序指令，执行前述任一所述的图像复原方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存介质在存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器所执行时执行前述任一所述的图像复原方法。
实施本发明实施例，具有如下有益效果：
本发明提供的图像复原方法，将非凸数据保真项与组稀疏表示先验、多方向全广义变分两个正则化项相结合。组稀疏表示先验利用相似图像块非局部自相似性信息保留了图像非连续或不均匀区域的细节和纹理特征，同时在均匀区域充分去噪，提高了图像视觉质量，多方向全广义变分正则项计算多个方向的梯度信息，能够较好地保留了图像的边缘信息，算法以组稀疏表示和多方向全广义变分为正则化约束项构建优化模型，利用分裂Bregman迭代将算法分离成多个子问题，并对每个子问题高效地求解，进而提升了恢复图像的视觉质量和恢复图像质量评价指数。
附图说明
为了更清楚地说明本发明所述的一种图像复原方法、系统、处理终端及计算机存储介质，附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种图像复原方法流程图；
图2为本发明实施例提供的一种图像复原系统的结构示意图；
图3为本发明实施例提供的一种图像复原处理终端结构示意图；
图4为本发明实施例提供的一种图像复原方法用到的一些测试图像示意图；
图5为本发明实施例噪声水平级别γ＝0.02时在测试图像上与其他算法比较的去噪效果PSNR值对比图；
图6为图5部分去噪效果局部放大示意图；
图7为本发明实施例噪声水平级别γ＝0.04时在测试图像上与其他算法比较的去噪效果PSNR值对比图；
图8为图7部分去噪效果局部放大示意图；
图9为本发明实施例噪声水平级别γ＝0.04和γ＝0.08时在测试图像上与其他算法比较的去噪效果PSNR值对比图；
图10为图9噪声水平级别γ＝0.08时部分去噪效果局部放大示意图；
图11为本发明实施例噪声水平级别γ＝0.02、大小为8和标准偏差为1的高斯模糊核时在测试图像上与其他算法比较的去噪效果PSNR值对比图；
图12为本实施例噪声水平级别γ＝0.02、l en＝9和theta＝50的运动模糊核时在测试图像上与其他算法比较的去噪效果PSNR值对比图；
图13为图11和图12的部分去噪效果局部放大示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1示出了可用于实施本发明实施例方案的一种图像复原方法，所述方法包括：
获取原始图像x，并利用降质退化矩阵H退化原始图像x，生成具有柯西噪声和/或模糊的图像y；
将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性把m个图像块分成n个组；
将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组；
将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像。
在一个实施方式中，所述获取原始图像x，并利用降质退化矩阵H退化图像x，生成具有柯西噪声和/或模糊的图像y，包括：
所述图像退化过程表示为：
Figure BDA0003142902970000071
其中，η是服从柯西分布的随机变量，γ＞0表示柯西噪声水平值，η1、η2是服从均值为0，方差为1的高斯分布的独立随机变量，H表示模糊核在去噪情况下，H是恒等运算，只受柯西噪声污染；
因此我们使用以下退化来生成有噪声的图像y：
Figure BDA0003142902970000081
在去噪去模糊情况下，考虑两个模糊核：大小为8和标准偏差为1的高斯模糊核；len＝9和theta＝50的运动模糊核，然后，将噪声水平级别γ＝0.02的柯西噪声添加到模糊图像中。
在一个实施例中，所述将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性，把m个图像块分成n个组，包括：
选取步长为s对大小为
Figure BDA0003142902970000082
的图像y进行分割，将其分割成m个大小为
Figure BDA0003142902970000083
的图像块yi，yi∈RP(i＝1，2，…，m)，用数学式子yi＝Ri(y)来描述，其中Ri(·)表示抽取图像块的操作符；
寻找与图像块yi，的最相似的h-1个图像块，每个图像块拉成一列，用矩阵
Figure BDA0003142902970000084
表示，这h个图像块构成一个图像块组，用数学式子
Figure BDA0003142902970000085
来描述，其中
Figure BDA0003142902970000086
表示抽取图像块组的操作符。
在一个实施例中，将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组，包括：
输入参数λ0、λ、μ，柯西噪声水平γ，图像块组总数n，图像块大小，组中图像块的个数，字典列的数量，内循环迭代次数TI，收敛值tol，增长率γβ、
Figure BDA0003142902970000087
rξ：
步骤4.1：初始化
Figure BDA0003142902970000088
其中max表示求最大数，min表示求最小数，使用离散余弦变换(DCT)初始化字典D；
步骤4.2：外循环；
步骤4.3：令变量i＝1；
步骤4.4：t＝0；
步骤4.5：初始化正则化参数β、Υ1、Υ2、ξ；
Figure BDA0003142902970000091
Figure BDA0003142902970000092
Figure BDA0003142902970000093
其中，
Figure BDA0003142902970000094
和
Figure BDA0003142902970000095
分别表示水平和垂直方向的一阶梯度，
Figure BDA0003142902970000096
和
Figure BDA0003142902970000097
分别表示对角线45°和135°方向的一阶梯度信息；
步骤4.6：内循环
步骤4.7：t＝t+1；
步骤4.8：使用正交匹配追踪算法(OMP)求解式：
Figure BDA0003142902970000098
更新组的稀疏编码系数
Figure BDA0003142902970000099
步骤4.9：
Figure BDA00031429029700000910
其中I表示单位矩阵；
步骤4.10：使用牛顿法求解式
Figure BDA00031429029700000911
更新zt；
步骤4.11：
Figure BDA00031429029700000912
步骤4.12：
Figure BDA00031429029700000913
步骤4.13：使用快速傅利叶变换(FFT)求解式
Figure BDA00031429029700000914
得到
Figure BDA00031429029700000915
步骤4.14：使用快速傅利叶变换(FFT)求解式
Figure BDA00031429029700000916
Figure BDA00031429029700000917
和
Figure BDA00031429029700000918
Figure BDA0003142902970000101
得到
Figure BDA0003142902970000102
步骤4.15：使用奇异值分解(KSVD)算法更新字典D；
步骤4.16：β＝β·rβ，
Figure BDA0003142902970000108
ξ＝ξ·rξ；
步骤4.17：若t≤TI并且
Figure BDA0003142902970000103
返回步骤4.7，否则进入步骤4.18；
步骤4.18：i＝i+1；
步骤4.19：若i＜＝n，返回步骤4.4，否则进入步骤4.20；
步骤4.20：输出所有被复原的干净清晰的图像块组
Figure BDA0003142902970000104
在一个实施例中，所述将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像，包括：输出复原图像
Figure BDA0003142902970000105
其中，
Figure BDA0003142902970000106
是
Figure BDA0003142902970000107
的转置操作。
以下结合图2介绍本发明基于上述方法的一种图像复原系统，所述系统包括：
图像退化处理模块21：用于获取原始图像x，并利用降质退化矩阵H退化原始图像x，生成具有柯西噪声和/或模糊的图像y；
图像分割模块22：用于将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性把m个图像块分成n个组；
图像去噪模块23；用于将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组；
图像复原模块24：将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像。
以下结合图3介绍本发明基于上述方法的一种图像复原处理设备，所述设备包括：输入设备、输出设备、存储器、处理器；所述输入设备、所述输出设备、所述存储器和所述处理器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所护处理器被配置调用所述程序指令，执行前述任一所述的图像复原方法。
为了验证上述本发明所公开的图像恢复方法其相对于现有其他算法的优越性，本实施例中选择了一些自然图像应用本发明方法与其他算法进行了比较，以下将以实际验证实施例加以展示：
在对比实施例中，图像块的大小设为4×4，组的大小为16×60，每组图像块的数量为60，相邻图像块重叠像素是2个像素，搜索窗口为40×40，每组字典
Figure BDA0003142902970000111
的大小设为16×256。参数的初始值设置为(β，γ1，γ2，ξ)＝(1，0.1，0.1，10)，参数的增长率设置为
Figure BDA0003142902970000113
参数λ0、λ1在去噪情况下分别设置为6和30，在去模糊噪声情况下设置为0.2和1。参数λ和
Figure BDA0003142902970000112
根据噪声水平进行调整，例如，若噪声水平γ＝0.02，则λ∈{3，3.5，4，4.5，5，5.5，6}，
Figure BDA0003142902970000114
若噪声水平γ＝0.04，λ∈{4，4.5，5，5.5，6，6.5，7}，
Figure BDA0003142902970000115
若噪声水平γ＝0.08，λ∈{5，5.5，6，6.5，7，7.5，8}，
Figure BDA0003142902970000116
将本发明所公开的图像恢复方法分别与TGV算法、SR+TGV算法进行了对比，如图4至图13和表1至表5所示，附图中的GSR+MTGV表示采用本发明的图像复原方法。
由图5所示，当柯西噪声水平为γ＝0.02时，三个方法的去噪图像。它可以看出，SR+TGV通过恢复更多的纹理和没有楼梯效应来改善TGV。然而SR+TGV还包含稀疏表示先验，通过在充分地去噪均匀区域的同时，更好地保留纹理，大大增强了去噪结果。这显示了基于图像块的稀疏先验知识的好处。另一方面，将GSR+MTGV与SR+TGV进行比较时，去噪图像看起来相似，但GSR+MTGV提供的纹理更干净，如图6中的局部放大图像所示。此外，它比SR+TGV增加了两条对角线方向的梯度信息，恢复了更多的边缘特征，如Lena的帽沿的纹理区域和FishingBoat船头影子部分，从而导致了更高的PSNR值。随着噪声水平的增加，这些现象可以更清楚地观察到。在图7和图8中，比较噪声水平γ＝0.04时TGV、SR+TGV和GSR+MTGV的去噪图像，我们可以看到GSR+MTGV保留了更多的纹理和细节，提供了更自然的视觉质量，这得益于GSR+MTGV比SR+TGV增加了相似图像块结构的信息，如图8中的局部放大图像所示，例如Parrots下面白毛的纹理区域、Barbara右肩上的围巾纹理区域和Starfish中突起的骨骼纹理细节更加清晰，也给出了更高的PSNR值。最后，在图9和图10中，我们比较了TGV、SR+TGV和GSR+MTGV在噪声水平高时(即γ＝0.04或0.08)的去噪结果。可以明显看出，TGV和SR+TGV方法恢复的图像背景比较粗糙，然而，我们的方法可以保证背景的光滑性，进一步提高了自然图像的视觉质量。因此，所有这些例子都证明了GSR+MTGV正则化与其他先验项相比的有效性。特别是，即使GSR+MTGV和SR+TGV的恢复图像在视觉上很相似，GSR+MTGV也可以更好地保持纹理和细节，并提供更自然的图像，从而产生更高的PSNR值。
在表1-表3中，我们给出了使用不同方法所恢复的图像的PSNR、SSIM值。我们模型在绝大多数下都提供了最高的PSNR、SSIM值。总的来说，我们的模型提供了关于这些图像质量测量的较好的去噪结果，这与基于组稀疏表示先验和多方向广义全变分的正则化模型上的突出性能分不开的。
我们在表4中给出SR+TGV方法、本发明的GSR+MTGV方法在PSNR、SSIM和时间(以分钟为单位)值方面的比较，我们选择被噪声等级γ＝0.08柯西噪声所破坏的三幅图像进行测试。可以看到，我们的方法获得了更高的PSNR和SSIM值，并且运行得也比较快，表明组稀疏表示比全局稀疏表示所需的计算时间要少。
表5列出了两个模糊核中应用不同的方法所获得的PSNR和SSIM的值。从表5中，我们可以看到，所提出的方法获得比较高的PSNR和SSIM值。从图11和图12中的图像可以看出SR+TGV和GSR+MTGV方法恢复出的图像视觉上相似，但GSR+MTGV方法总能获得更高的PSNR值和更清晰的纹理特征。这种现象从图13中恢复parrots图像的放大区域尤为明显，比如parrots下面白毛的纹理区域。因此，我们的方法不仅保留了良好的纹理特征，而且有效地去除了柯西噪声和模糊。
表1本实施例噪声水平级别γ＝0.02在测试图像上与其他算法比较的去噪效果PSNR值和SSIM值对比表
Figure BDA0003142902970000131
表2本实施例噪声水平级别γ＝0.04在测试图像上与其他算法比较的去噪效果PSNR值和SSIM值对比表
Figure BDA0003142902970000132
表3本实施例噪声水平级别γ＝0.08在测试图像上与其他算法比较的去噪效果PSNR值和SSIM值对比表
Figure BDA0003142902970000133
Figure BDA0003142902970000141
表4本实施例噪声水平级别γ＝0.08在测试图像上与其他算法比较的去噪效果PSNR值、SSIM值、运行时间对比表
Figure BDA0003142902970000142
表5本实施例噪声水平级别γ＝0.02在测试图像上与其他算法比较的去噪去模糊效果PSNR值、SSIM值对比表
Figure BDA0003142902970000143
本实施例所述的方法优于其他的算法，这表明了本实施例所述的方法的有效性。
本发明提出了一个新的模型来去除图像中存在的柯西噪声和/或模糊。该模型利用字典学习的基于组的稀疏表示的先验知识和基于非局部的多方向广义全变分的高阶导数先验知识。基于组或结构化稀疏表示方法能够捕捉图像结构的内在特征，增强了图像固有的局部稀疏性和非局部自相似性，提升了图像去模糊、图像修补、去噪等效果，基于组的稀疏表示先验对均匀区域进行有效的去噪，更好地保持了图像的纹理和细节信息，而基于非局部的多方向广义全变分的高阶导数先验对平滑区域进行去噪，较好地保留了图像的边缘信息。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处，相关之处参见方法实施例的部分说明即可。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种图像复原方法，其特征在于，所述方法包括：
获取原始图像x，并利用降质退化矩阵H退化原始图像x,生成具有柯西噪声和/或模糊的图像y；
将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性把m个图像块分成n个组；
将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组；
将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像。
2.根据权利要求1所述的图像复原方法，其特征在于，所述获取原始图像x，并利用降质退化矩阵H退化图像x,生成具有柯西噪声和/或模糊的图像y，包括：
所述图像退化过程表示为：
Figure FDA0003142902960000011
其中，η是服从柯西分布的随机变量，γ＞0表示柯西噪声水平值，η1、η2是服从均值为0，方差为1的高斯分布的独立随机变量，H表示模糊核在去噪情况下，H是恒等运算，只受柯西噪声污染。
3.根据权利要求2所述的图像复原方法，其特征在于，所述将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性，把m个图像块分成n个组，包括：
选取步长为s对大小为
Figure FDA0003142902960000012
的图像y进行分割，将其分割成m个大小为
Figure FDA0003142902960000013
的图像块yi,yi∈RP(i＝1，2，…，m)，用数学式子yi＝Ri(y)来描述，其中Ri(·)表示抽取图像块的操作符；
寻找与图像块yi,的最相似的h-1个图像块，每个图像块拉成一列，用矩阵
Figure FDA0003142902960000014
表示，这h个图像块构成一个图像块组，用数学式子
Figure FDA0003142902960000015
来描述，其中
Figure FDA0003142902960000016
表示抽取图像块组的操作符。
4.根据权利要求3权利要求1所述的图像复原方法，其特征在于，将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组，包括：
输入参数λ0、λ、μ，柯西噪声水平γ，图像块组总数n，图像块大小，组中图像块的个数，字典列的数量，内循环迭代次数TI，收敛值tol，增长率rβ、
Figure FDA00031429029600000215
rξ：
步骤4.1：初始化
Figure FDA00031429029600000214
其中max表示求最大数，min表示求最小数，使用离散余弦变换(DCT)初始化字典D；
步骤4.2：外循环；
步骤4.3：令变量i＝1；
步骤4.4：t＝0；
步骤4.5：初始化正则化参数β、Υ1、Υ2、ξ；
Figure FDA0003142902960000021
Figure FDA0003142902960000022
Figure FDA0003142902960000023
其中，
Figure FDA0003142902960000024
和
Figure FDA0003142902960000025
分别表示水平和垂直方向的一阶梯度，
Figure FDA0003142902960000026
和
Figure FDA0003142902960000027
分别表示对角线45°和135°方向的一阶梯度信息；
步骤4.6：内循环
步骤4.7：t＝t+1；
步骤48：使用正交匹配追踪算法(OMP)求解式：
Figure FDA0003142902960000028
更新组的稀疏编码系数
Figure FDA0003142902960000029
步骤4.9：
Figure FDA00031429029600000210
其中I表示单位矩阵；
步骤4.10：使用牛顿法求解式
Figure FDA00031429029600000211
更新zt；
步骤4.11：
Figure FDA00031429029600000212
步骤4.12：
Figure FDA00031429029600000213
步骤4.13：使用快速傅利叶变换(FFT)求解式
Figure FDA0003142902960000031
得到
Figure FDA0003142902960000032
步骤4.14：使用快速傅利叶变换(FFT)求解式
Figure FDA0003142902960000033
Figure FDA0003142902960000034
Figure FDA0003142902960000035
Figure FDA0003142902960000036
Figure FDA0003142902960000037
和
Figure FDA0003142902960000038
Figure FDA0003142902960000039
得到
Figure FDA00031429029600000310
步骤4.15：使用奇异值分解(KSVD)算法更新字典D；
步骤4.16：β＝γ·rβ，
Figure FDA00031429029600000311
ζ=ζ.rζ；
步骤4.17：若t≤TI并且
Figure FDA00031429029600000312
返回步骤4.7，否则进入步骤4.18；
步骤4.18：i＝i+1；
步骤4.19：若i<＝n，返回步骤4.4，否则进入步骤4.20；
步骤4.20：输出所有被复原的干净清晰的图像块组
Figure FDA00031429029600000313
5.根据权利要求4所述的图像复原方法，其特征在于，所述将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像，包括：输出复原图像
Figure FDA00031429029600000314
其中，
Figure FDA00031429029600000315
是
Figure FDA00031429029600000316
的转置操作。
6.一种图像复原系统，其特征在于，所述系统包括：
图像退化处理模块：用于获取原始图像x，并利用降质退化矩阵H退化原始图像x,生成具有柯西噪声和/或模糊的图像y；
图像分割模块：用于将具有柯西噪声和/或模糊的图像y分割成m个图像块，进而根据图像块的非局部自相似性把m个图像块分成n个组；
图像去噪模块；用于将图像y的被划分的n组图像块的每一组，利用数据保真项与基于组的稀疏表示、基于组稀疏多方向全变分两个正则化项相结合，去除图像块组中的柯西噪声和/或模糊，得到去除柯西噪声和/或模糊的图像块组；
图像复原模块：将所述得到去除柯西噪声和/或模糊的图像块组归还到原始图像x的对应原始位置上，对所有图像块组计算平均值得到复原后的图像。
7.一种图像复原处理终端，其特征在于，包括：输入设备、输出设备、存储器、处理器；所述输入设备、所述输出设备、所述存储器和所述处理器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所护处理器被配置调用所述程序指令，执行如权利要求1-5中任一所述的图像复原方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器所执行时执行如权利要求1-5中任一所述的图像复原方法。
CN202110746291.9A 2021-07-01 2021-07-01 一种图像复原方法、系统、处理终端及计算机介质 Active CN113592728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110746291.9A CN113592728B (zh) 2021-07-01 2021-07-01 一种图像复原方法、系统、处理终端及计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110746291.9A CN113592728B (zh) 2021-07-01 2021-07-01 一种图像复原方法、系统、处理终端及计算机介质

Publications (2)

Publication Number Publication Date
CN113592728A true CN113592728A (zh) 2021-11-02
CN113592728B CN113592728B (zh) 2024-04-05

Family

ID=78245436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110746291.9A Active CN113592728B (zh) 2021-07-01 2021-07-01 一种图像复原方法、系统、处理终端及计算机介质

Country Status (1)

Country Link
CN (1) CN113592728B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166631A (zh) * 2021-11-30 2022-03-11 温州理工学院 一种识别散体材料在外载作用下的流动与破碎机理的试验方法
CN114897733A (zh) * 2022-05-19 2022-08-12 中国科学院长春光学精密机械与物理研究所 基于dct和cgan的微弱光成像复原方法
CN114972068A (zh) * 2022-04-15 2022-08-30 杭州电子科技大学 基于非凸变分模型的受柯西噪声和模糊破坏图像复原方法
CN116167948A (zh) * 2023-04-21 2023-05-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于空变点扩散函数的光声图像复原方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639938A (zh) * 2009-08-28 2010-02-03 浙江大学 一种基于双边滤波器和余量去卷积的图像复原方法
CN102222320A (zh) * 2011-05-24 2011-10-19 西安电子科技大学 基于全变分迭代反向投影的单帧图像空间分辨率增强方法
CN102682437A (zh) * 2012-05-17 2012-09-19 浙江大学 一种基于总变分正则约束的图像解卷积方法
US20140204433A1 (en) * 2013-01-22 2014-07-24 Canon Kabushiki Kaisha Image reading apparatus capable of displaying foreign matter position as image
CN104282003A (zh) * 2014-10-29 2015-01-14 哈尔滨工业大学 一种基于梯度筛选的数字模糊图像盲复原方法
US20150086131A1 (en) * 2013-09-26 2015-03-26 Siemens Aktiengesellschaft Single-image super resolution and denoising using multiple wavelet domain sparsity
CN105493140A (zh) * 2015-05-15 2016-04-13 北京大学深圳研究生院 图像去模糊方法及系统
CN105608679A (zh) * 2016-01-28 2016-05-25 重庆邮电大学 一种融合结构张量与非局域全变分的图像去噪方法
US20170309019A1 (en) * 2016-04-22 2017-10-26 New York University System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction
CN107993204A (zh) * 2017-11-28 2018-05-04 重庆大学 一种基于图像块增强稀疏表示的mri图像重构方法
CN108171659A (zh) * 2017-12-01 2018-06-15 天津大学 一种基于k-svd字典的图像修复方法
CN110084759A (zh) * 2019-04-23 2019-08-02 闽南师范大学 一种图像填补方法、终端设备及存储介质
WO2020012523A1 (ja) * 2018-07-09 2020-01-16 富士通株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN112233046A (zh) * 2020-11-16 2021-01-15 山东科技大学 一种柯西噪声下的图像复原方法及其应用
CN112508806A (zh) * 2020-11-24 2021-03-16 北京航空航天大学 一种基于非凸低秩矩阵分解的内镜图像高光去除方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639938A (zh) * 2009-08-28 2010-02-03 浙江大学 一种基于双边滤波器和余量去卷积的图像复原方法
CN102222320A (zh) * 2011-05-24 2011-10-19 西安电子科技大学 基于全变分迭代反向投影的单帧图像空间分辨率增强方法
CN102682437A (zh) * 2012-05-17 2012-09-19 浙江大学 一种基于总变分正则约束的图像解卷积方法
US20140204433A1 (en) * 2013-01-22 2014-07-24 Canon Kabushiki Kaisha Image reading apparatus capable of displaying foreign matter position as image
US20150086131A1 (en) * 2013-09-26 2015-03-26 Siemens Aktiengesellschaft Single-image super resolution and denoising using multiple wavelet domain sparsity
CN104282003A (zh) * 2014-10-29 2015-01-14 哈尔滨工业大学 一种基于梯度筛选的数字模糊图像盲复原方法
CN105493140A (zh) * 2015-05-15 2016-04-13 北京大学深圳研究生院 图像去模糊方法及系统
CN105608679A (zh) * 2016-01-28 2016-05-25 重庆邮电大学 一种融合结构张量与非局域全变分的图像去噪方法
US20170309019A1 (en) * 2016-04-22 2017-10-26 New York University System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction
CN107993204A (zh) * 2017-11-28 2018-05-04 重庆大学 一种基于图像块增强稀疏表示的mri图像重构方法
CN108171659A (zh) * 2017-12-01 2018-06-15 天津大学 一种基于k-svd字典的图像修复方法
WO2020012523A1 (ja) * 2018-07-09 2020-01-16 富士通株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN112384892A (zh) * 2018-07-09 2021-02-19 富士通株式会社 信息处理装置、信息处理方法以及信息处理程序
CN110084759A (zh) * 2019-04-23 2019-08-02 闽南师范大学 一种图像填补方法、终端设备及存储介质
CN112233046A (zh) * 2020-11-16 2021-01-15 山东科技大学 一种柯西噪声下的图像复原方法及其应用
CN112508806A (zh) * 2020-11-24 2021-03-16 北京航空航天大学 一种基于非凸低秩矩阵分解的内镜图像高光去除方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BYEONGJIN KIM: "AUV-Based Multi-View Scanning Method for 3-D Reconstruction of Underwater Object Using Forward Scan Sonar", 《IEEE SENSORS JOURNAL ( VOLUME: 20, ISSUE: 3, 01 FEBRUARY 2020)》 *
F., DONG, Y., ZENG, T.: "Variational approach for restoring blurred images with Cauchy noise", 《 SIAM JOURNAL ON IMAGING SCIENCES 》 *
梅金金: "基于正则化方法的图像复原与融合研究", 《中国优秀硕士论文全文数据库》 *
许淑华 齐鸣鸣: "稀疏局部Fisher判别分析", 《计算机工程与应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166631A (zh) * 2021-11-30 2022-03-11 温州理工学院 一种识别散体材料在外载作用下的流动与破碎机理的试验方法
CN114972068A (zh) * 2022-04-15 2022-08-30 杭州电子科技大学 基于非凸变分模型的受柯西噪声和模糊破坏图像复原方法
CN114897733A (zh) * 2022-05-19 2022-08-12 中国科学院长春光学精密机械与物理研究所 基于dct和cgan的微弱光成像复原方法
CN116167948A (zh) * 2023-04-21 2023-05-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于空变点扩散函数的光声图像复原方法及系统

Also Published As

Publication number Publication date
CN113592728B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN113592728B (zh) 一种图像复原方法、系统、处理终端及计算机介质
Yang et al. An efficient TVL1 algorithm for deblurring multichannel images corrupted by impulsive noise
Yu et al. A unified learning framework for single image super-resolution
Xu et al. A fast patch-dictionary method for whole image recovery
Shen et al. An accelerated proximal gradient algorithm for frame-based image restoration via the balanced approach
Matakos et al. Accelerated edge-preserving image restoration without boundary artifacts
Wang et al. Nonconvex Weighted $\ell _p $ Minimization Based Group Sparse Representation Framework for Image Denoising
Zhao et al. Detail-preserving image denoising via adaptive clustering and progressive PCA thresholding
CN107358589B (zh) 一种结合梯度直方图与低秩约束的去噪方法
Ren et al. Partial deconvolution with inaccurate blur kernel
Huang et al. Two-step approach for the restoration of images corrupted by multiplicative noise
Wang et al. New image restoration method associated with tetrolets shrinkage and weighted anisotropic total variation
Ma et al. Image deblurring via total variation based structured sparse model selection
CN113379647B (zh) 一种优化psf估计的多特征图像复原方法
Zhou et al. Sparse representation with enhanced nonlocal self-similarity for image denoising
Chen et al. Inexact alternating direction method based on proximity projection operator for image inpainting in wavelet domain
Nejati et al. Low-rank regularized collaborative filtering for image denoising
Duan et al. Second order Mumford-Shah model for image denoising
Piriyatharawet et al. Image denoising with deep convolutional and multi-directional LSTM networks under Poisson noise environments
Canh et al. Compressive sensing reconstruction via decomposition
CN115131226A (zh) 一种基于小波张量低秩正则化的图像复原方法
Pierazzo et al. Boosting “shotgun denoising” by patch normalization
Xu et al. Image Restoration under Cauchy Noise: A Group Sparse Representation and Multidirectional Total Generalized Variation Approach.
Dai et al. Foveated nonlocal dual denoising
Bougueroua et al. Comparative Analysis of the Prox Penalty and Bregman Algorithms for Image Denoising

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