為解決傳統(tǒng)的單幅圖像恢復(fù)算法效果不理想的情況,現(xiàn)有理論利用多幅圖像之間的信息互補(bǔ)這一條件,在圖像配準(zhǔn)的基礎(chǔ)上,通過(guò)多幅退化圖像對(duì)單幅圖像進(jìn)行恢復(fù),比較流行的是使用M估計(jì)（M-estimation）對(duì)圖像進(jìn)行配準(zhǔn),然后利用L1范數(shù)進(jìn)行圖像融合,進(jìn)而提升圖像恢復(fù)的魯棒性,但其收斂速度并不理想。為了實(shí)現(xiàn)算法的快速收斂,通過(guò)對(duì)下降算法的搜索梯度方向改善的探究,提出了基于共軛梯度下降法（conjugate gradient descent, CGD）的圖像恢復(fù)算法。在此基礎(chǔ)上對(duì)CGD圖像恢復(fù)算法進(jìn)行改進(jìn),利用前后估計(jì)的值之間的差信息來(lái)優(yōu)化迭代時(shí)的搜索方向,也就是在后面這次搜索梯度上面加前1次和前2次估計(jì)值的差,以此增大搜索梯度值,進(jìn)一步縮短迭代到最小值的時(shí)間。仿真結(jié)果表明,所提出的改進(jìn)算法比基于最速梯度下降法（batch gradient descent, BGD）的圖像恢復(fù)算法的收斂速度更快。 

【文章來(lái)源】：重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,32(06)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖像退化模型

本文實(shí)驗(yàn)是在window10系統(tǒng)下使用MATLAB R2014a完成的,計(jì)算機(jī)配置為:Intel(R)Core i7-6700 3.40 GHz,內(nèi)存8.00 GByte。主要的測(cè)試圖片有l(wèi)ena和liftingbody 2張圖片,如圖2,退化圖像其參數(shù)為x軸平移3.218 7像素,y軸平移0.170 9像素,旋轉(zhuǎn)角度為2.224 9°,高斯噪聲的方差為1.626 2E-04,高斯模糊參數(shù)LEN=20,THETA=45,2幅圖片大小均為512×512。此外,還包括各自的16幅對(duì)原圖進(jìn)行配準(zhǔn),從而達(dá)到去模糊效果的待配準(zhǔn)模糊圖,如圖3,這里由于篇幅的限制,只給出了lena用于恢復(fù)單幅圖片的16幅圖,其中8幅圖像的噪聲是高斯噪聲,另外8幅的噪聲是椒鹽噪聲。圖3 lena的16幅恢復(fù)參考圖

圖2 lena與liftingbody的原圖像與退化圖像為了便于比較,這里引入了2個(gè)圖像處理中比較通用的參數(shù)來(lái)衡量算法的恢復(fù)性能:峰值信號(hào)比(peak signal to noise ratio, PSNR)和均方誤差的平方根(root mean square, RMS)。lena退化圖像參數(shù)為PSNR=19.194 7 dB,RMS=27.977 3;liftingbody退化圖像參數(shù)為PSNR=19.939 7 dB,RMS=25.677 6(見(jiàn)圖2)。

【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏轉(zhuǎn)稠密機(jī)制的仿射不變特征匹配算法[J]. 李云天,朱穎琪,李征,孫曉雨.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)



本文編號(hào)：3463734