為解決傳統(tǒng)的單幅圖像恢復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這一條件,在圖像配準的基礎上,通過多幅退化圖像對單幅圖像進行恢復,比較流行的是使用M估計（M-estimation）對圖像進行配準,然后利用L1范數(shù)進行圖像融合,進而提升圖像恢復的魯棒性,但其收斂速度并不理想。為了實現(xiàn)算法的快速收斂,通過對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）的圖像恢復算法。在此基礎上對CGD圖像恢復算法進行改進,利用前后估計的值之間的差信息來優(yōu)化迭代時的搜索方向,也就是在后面這次搜索梯度上面加前1次和前2次估計值的差,以此增大搜索梯度值,進一步縮短迭代到最小值的時間。仿真結果表明,所提出的改進算法比基于最速梯度下降法（batch gradient descent, BGD）的圖像恢復算法的收斂速度更快。 

【文章來源】：重慶郵電大學學報(自然科學版). 2020,32(06)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖像退化模型

本文實驗是在window10系統(tǒng)下使用MATLAB R2014a完成的,計算機配置為:Intel(R)Core i7-6700 3.40 GHz,內存8.00 GByte。主要的測試圖片有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幅對原圖進行配準,從而達到去模糊效果的待配準模糊圖,如圖3,這里由于篇幅的限制,只給出了lena用于恢復單幅圖片的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個圖像處理中比較通用的參數(shù)來衡量算法的恢復性能:峰值信號比(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(見圖2)。

【參考文獻】：
期刊論文
[1]基于稀疏轉稠密機制的仿射不變特征匹配算法[J]. 李云天,朱穎琪,李征,孫曉雨.  四川大學學報(自然科學版). 2018(01)



本文編號：3463734