非凸混合总变分图像盲复原

doi:10.3969/j.issn.1001-2400.2016.02.021

西安电子科技大学学报 ›› 2016, Vol. 43 ›› Issue (2): 120-125.doi: 10.3969/j.issn.1001-2400.2016.02.021

非凸混合总变分图像盲复原

刘巧红1;李斌1;林敏2

(1. 上海大学机电工程与自动化学院，上海 200073;
2. 上海医疗器械高等专科学校医学电子与信息工程系，上海 200093)

收稿日期:2014-12-23 出版日期:2016-04-20 发布日期:2016-05-27
通讯作者: 刘巧红
作者简介:刘巧红(1979-)，女，讲师，上海大学博士研究生，E-mail：hqllqh@163.com．
基金资助:
上海市教育委员会科研创新资金资助项目(14YZ169)

Non-convex hybrid total variation method for image blind restoration

LIU Qiaohong1;LI Bin1;LIN Min2

(1. School of Mechatronic Engineering and Automation, Shanghai Univ., Shanghai 200073, China;
2. Department of Medical Electronics and Information Engineering, Shanghai Medical Instrumentation College, Shanghai 200093, China)

Received:2014-12-23 Online:2016-04-20 Published:2016-05-27
Contact: LIU Qiaohong

摘要/Abstract

摘要：

为实现模糊噪声图像的盲复原，提出了一种混合非凸总变分和高阶总变分的多正则化约束的图像盲复原方法．首先，根据自然图像边缘的稀疏特性，运用了非凸总变分对复原图像进行正则化约束；然后，结合高阶总变分正则化克服阶梯效应的优势，建立了非凸混合总变分极小化模型；最后，利用增广拉格朗日方法和新的广义p收缩算子对提出的模型进行最优化求解．实验结果表明，提出的方法能够有效保护图像边缘细节，同时消除了图像平滑区域的阶梯效应，获得高质量的复原图像．

关键词: 图像复原, 非凸, 高阶, 总变分, 增广拉格朗日方法, p收缩算子, 优化

Abstract:

A multi-regularization constraint method for imageblind restoration is proposed to recover the blurry-noisy images.First, the non-convex total variation is adoptedas the regularization constraint by taking the sparse edges in the natural image into consideration. Next, the high-order total variation is used to overcome the staircase effects in the smooth regions of the image. Then a non-convex minimization model is proposed. Finally, the augmented Lagrangian method and a new generalized p shrinkage operator are applied to solve the model. The results of numerical experiments show that the proposed method can preserve the image edges while removing the staircase effects effectively. The high quality restored image can be obtained.

Key words: image restoration, non-convex, high-order, total variation, augmented Lagrangian method, p shrinkage operator；optimization

刘巧红;李斌;林敏. 非凸混合总变分图像盲复原[J]. 西安电子科技大学学报, 2016, 43(2): 120-125.

LIU Qiaohong;LI Bin;LIN Min. Non-convex hybrid total variation method for image blind restoration[J]. Journal of Xidian University, 2016, 43(2): 120-125.

参考文献

［1］ RUDIN L I, OSHER S, FATEMI E. Nonlinear Total Variation Based Noise Removal Algorithms［J］. Physica D,1992, 60(1/4): 259-268.
［2］ CHAN T F, WONG C K. Total Variation Blind Deconvolution［J］. IEEE Transactions on Image Processing, 1998, 7(3): 370-375.
［3］ CHAMBOLLE A, LIONS P. Image Recovery via Total Variation Minimization Andrelatedproblems ［J］. Numerische Mathematik, 1997, 76(2): 167-188.
［4］ LYSAKER M, TAI X C. Iterative Image Restoration Combining Total Variation Minimizationand a Second-order Functional［J］. International Journal of Computer Vision, 2006, 66(1): 5-18.
［5］ PAPAFITSOROS K, SCHONLIEB C B. A Combined First and Second Order Variational Approach for Image Reconstruction［J］. Journal of Mathematical Imaging and Vision, 2014, 48(2): 308-338.
［6］ KRISHNAN D, FERGUS R. Fast Image Deconvolution Using Hyper-Laplacian Priors［C］//Advances in Neural Information Processing Systems. New York: Curran Associates Incorporated, 2009: 1033-1041.
［7］ NIKOLOVAM, NG M K, TAM C P. Fast Nonconvex Nonsmooth Minimizationmethods for Image Restoration and Reconstruction［J］. IEEE Transactions on Image Processing, 2010,19(12): 3073-3088.
［8］张文娟, 冯象初. 利用平衡方法的非凸图像修复［J］. 西安电子科技大学学报, 2014, 41(5): 141-147.
ZHANG Wenjuan, FENG Xiangchu. Nonconvex Image Inpainting via Balanced Regularization Approach［J］. Journal of Xidian University, 2014, 41(5): 141-147.
［9］ CHARTRAND R. Nonconvex Splitting for Regularized Low-Rank+Sparsedecomposition［J］. IEEE Transactions on Signal Processing, 2012, 60(11): 5810-5819.
［10］张文娟, 冯象初. 非凸低秩稀疏约束的图像超像素分割方法［J］. 西安电子科技大学学报, 2013, 40(5): 86-91.
ZHANG Wenjuan, FENG Xiangchu. Image Super-pixels Segmentation Method Based on the Non-convex Low-rank and Sparse Constraints［J］. Journal of Xidian University, 2013, 40(5): 86-91.
［11］ SHAN Q, JIA J, AGARWALA A. High-quality Motion Deblurring from a Single Image［J］. ACM Transactions on Graphics, 2008, 27(3): 73.
［12］ KRISHNAN D, TAY T, FERGUS R. Blind Deconvolution Using a Normalized Sparsity Measure［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2011: 233-240.
［13］ XU L, JIA J Y. Two-phase Kernel Estimation for Robust Motion Deblurring［C］//Lecture Notes in Computer Science: 6311 LNCS. Heidelberg: Springer Verlag, 2010: 157-170.

[1]	张宇鹏,吴自力,陈鸣,张璐璐. 面向交叉微服务链的任务调度优化[J]. 西安电子科技大学学报, 2021, 48(6): 32-39.
[2]	李鹏,冯存前,许旭光,唐子翔. 一种利用贝叶斯优化的弹道目标微动分类网络[J]. 西安电子科技大学学报, 2021, 48(5): 139-148.
[3]	杜文占,余志勇,杨剑,姜海滨. 改进NSGA-II算法及监测天线部署优化研究[J]. 西安电子科技大学学报, 2021, 48(5): 239-248.
[4]	钱志华,高陈强,叶盛. 采用元学习的多场景教室学生姿态检测方法[J]. 西安电子科技大学学报, 2021, 48(5): 58-67.
[5]	杨仲平,周青松,张剑云. 区域能量聚焦技术中超稀疏阵列优化算法[J]. 西安电子科技大学学报, 2021, 48(4): 57-63.
[6]	马悦,张玉梅. 面向多接入边缘计算的VNFM分布式部署方案[J]. 西安电子科技大学学报, 2021, 48(4): 20-26.
[7]	闫群民,马瑞卿,马永翔,王俊杰. 一种自适应模拟退火粒子群优化算法[J]. 西安电子科技大学学报, 2021, 48(4): 120-127.
[8]	刘天宇,王翥. 一种多样性控制的多目标粒子群算法[J]. 西安电子科技大学学报, 2021, 48(3): 106-114.
[9]	刘迪迪,孙浩天,肖佳文,JIANG Frank,郑鲲鲲. 智能电网中终端用户的双向能量交易算法[J]. 西安电子科技大学学报, 2021, 48(3): 131-137.
[10]	何诗洋,李晖,李凤华. SM4算法的FPGA优化实现方法[J]. 西安电子科技大学学报, 2021, 48(3): 155-162.
[11]	杨五四,陈莉,王毅,张茂省. 一种适应度排序的高维多目标粒子群优化算法[J]. 西安电子科技大学学报, 2021, 48(3): 78-84.
[12]	李海鹏,冯大政,周永伟. 多基地雷达栅栏覆盖的优化布站方法[J]. 西安电子科技大学学报, 2021, 48(2): 147-155.
[13]	李腾,曹世杰,尹思薇,魏大卫,马鑫迪,马建峰. 应用Q学习决策的最优攻击路径生成方法[J]. 西安电子科技大学学报, 2021, 48(1): 160-167.
[14]	娄利飞,赵建新,梁雅楠,赵明阳,安再芳. AlN薄膜压电微机械超声换能器的设计与优化[J]. 西安电子科技大学学报, 2020, 47(3): 8-13.
[15]	黄影,华雨晴. 能量与路径约束的无线传感网络路由优化[J]. 西安电子科技大学学报, 2020, 47(3): 113-120.

非凸混合总变分图像盲复原

Non-convex hybrid total variation method for image blind restoration

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10