圖像是人類獲取信息的重要來源,然而圖像在拍攝過程中不可避免的受到噪聲的干擾以及模糊的影響,使得質(zhì)量降低.受損圖像會(huì)給進(jìn)一步的圖像處理帶來困難,于是從受損圖像中恢復(fù)原始圖像就尤為必要.圖像去模糊作為圖像恢復(fù)的一個(gè)重要分支,具有重要的研究?jī)r(jià)值與意義.圖像去模糊在數(shù)學(xué)上是一個(gè)不適定的反問題.正則化方法是求解不適定問題的普遍方法.這種方法的基本思路就是找一組與原問題相鄰近的適定問題的解去逼近原問題的解.如何建立有效的正則化方法是圖像恢復(fù)的一個(gè)重要研究?jī)?nèi)容.因此圖像去模糊模型的關(guān)鍵在于正則項(xiàng)的選取.全變差正則項(xiàng)模型是最具代表性的正則化方法,由于其可以很好的保護(hù)邊緣,隨后被廣泛應(yīng)用到圖像去模糊領(lǐng)域.為了克服全變差模型存在的階梯效應(yīng)和振鈴現(xiàn)象,本文通過給全變差正則項(xiàng)增加一個(gè)邊緣自適應(yīng)系數(shù),提出了基于邊緣的倍數(shù)自適應(yīng)全變差模型.該模型根據(jù)像素點(diǎn)局部信息自動(dòng)調(diào)整正則項(xiàng)參數(shù),減小邊緣附近的權(quán)重,平滑區(qū)域不做處理,從而降低全變差最小化過程中對(duì)邊緣的作用,更好的保護(hù)邊緣.文中使用交替方向乘子法求解模型,并通過仿真實(shí)驗(yàn)驗(yàn)證所提出的模型具有更好的去模糊效果,峰值信噪比和結(jié)構(gòu)相似度均有提高.基于L²

【文章來源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像”Shepp-Logan”經(jīng)不同模型恢復(fù)后的效果及PSNR值.設(shè)置高斯模糊核為(9,5),高斯噪聲為σ=3,其中(a)原始圖

內(nèi)蒙古大學(xué)碩士學(xué)位論文(a)QRcode(b)BlurryandNoisy.PSNR=13.07dB(c)TV.PSNR=29.03dB(d)DCA.L10.5L2.PSNR=33.45dB(e)TR-TV.PSNR=34.99dB(f)EMATVani.PSNR=35.27dB圖3.7:圖像”QRcode”經(jīng)不同模型恢復(fù)后的效果及PSNR值.設(shè)置高斯模糊核為G(11,5),高斯噪聲σ=3.其中(a)原始圖像”QRcode”,(b)噪音模糊圖,(c)TV,(d)DCA.L10.5L2,(e)TR-TV,設(shè)τ=0.5,(f)EMATVani,設(shè)δ=0.7.Fig3.7:Theeffectofimage”QRcode”restoredbydifferentmodelandPSNRvalues.SetGaussianblur(11,5)andGaussiannoiseσ=3.(a)Original”QRcode”image,(b)blurryandnoiseimage,(c)TV,(d)DCA.L10.5L2,(e)TR-TVwithτ=0.5,(f)EMATVaniwithδ=0.7.像的邊緣細(xì)節(jié)信息.而且PSNR值也要高于其他三種模型.為了進(jìn)一步驗(yàn)證本章模型的去模糊性能,表3.1,3.2分別給出了不同測(cè)試圖像經(jīng)不同方法去模糊后的圖像對(duì)應(yīng)的PSNR與SSIM值,其中粗體字表示一行中值最大的數(shù).由統(tǒng)計(jì)表可以得出,與其他三種圖像去模糊模型相比,由EMATV模型恢復(fù)的圖像峰值信噪比和結(jié)構(gòu)相似度數(shù)值是最大的.表3.2:測(cè)試圖像經(jīng)不同模型恢復(fù)的PSNR與SSIM值.設(shè)置高斯核為G(9,5),噪聲水平為σ=0.5.Tab3.2:ThevalueofPSNRandSSIMofthetestimagesrecoveredbydifferentmodels.SetGaussianblurG(9,5)andGaussiannoiseσ=0.5.PSNR/SSIMBLURREDTVDCA.L10.5L2TR-TVEMATVaniQRcode13.77/0.47034.80/0.99535.02/0.98439.57/0.99840.29/0.999Satellite20.00/0.66923.19/0.79922.74/0.79725.03/0.86125.63/0.884Shepp-Logan19.07/0.82823.85/0.95224.61/0.95728.19/0.98237.64/0.995Shape15018.58/0.69730.57/0.96834.13/0.97431.00/0.97038.23/0.982Lena27.68/0.84132.06/0.90430.35/0.88833.51/0.92134.15/0.929House24.57/0.69530.20/0.81929.

內(nèi)蒙古大學(xué)碩士學(xué)位論文§3.5.2各項(xiàng)同性倍數(shù)自適應(yīng)全變差模型實(shí)驗(yàn)結(jié)果各向同性倍數(shù)自適應(yīng)全變差模型的視覺效果如圖3.8和3.9.圖3.8中,對(duì)圖像”House”添加大小為9×9,標(biāo)準(zhǔn)差為5的高斯模糊核以及σ=0.5的高斯噪音.由圖3.8可以看出,TV模型(3.8(c))在去噪的時(shí)模糊了圖像的邊緣信息;DCA模型(3.8(d))在屋檐的位置存在明顯的階梯效應(yīng);截?cái)嗾齽t項(xiàng)模型(3.8(e))雖緩解了階梯效應(yīng),但同時(shí)也丟失了窗戶部分的部分細(xì)節(jié)信息;而各項(xiàng)同性EMATV模型(3.8(f))不僅能保留圖像的邊緣輪廓和細(xì)節(jié)信息,而且圖像的模糊程度也明顯降低.(a)House(b)BlurryandNoisy.PSNR=24.57dB(c)TV.PSNR=30.33dB(d)DCA.L10.5L2.PSNR=29.24dB(e)TR-TV.PSNR=32.54dB(f)EMATViso.PSNR=33.36dB圖3.8:圖片”House”經(jīng)不同模型恢復(fù)后的效果及PSNR值.設(shè)置高斯模糊核為G(9,5),高斯噪聲σ=0.5.其中(a)原始圖像”House”,(b)噪音模糊圖,(c)TV,(d)DCA.L10.5L2,(e)TR-TV,設(shè)τ=0.5,(f)EMATViso,設(shè)δ=0.9.Fig3.8:Theeffectofimage”House”restoredbydifferentmodelandPSNRvalues.SetGaussianblur(9,5)andGaussiannoiseσ=0.5.(a)Original”House”image,(b)blurryandnoiseimage,(c)TV,(d)DCA.L10.5L2,(e)TR-TVwithτ=0.5,(f)EMATVisowithδ=0.9.圖3.9中,對(duì)圖像”Shape150”添加大小為11×11標(biāo)準(zhǔn)差為3的高斯模糊核以及σ=4的高斯噪聲.圖3.9中也體現(xiàn)出了與圖3.8類似的情況,即TV模型(3.9(c))會(huì)使圖像的邊緣過度光滑造成模型;DCA模型(3.9(d))雖然內(nèi)部區(qū)域干凈無偽影但是邊緣出現(xiàn)了明顯的階梯效應(yīng);截?cái)嗾齽t項(xiàng)模型(3.9(e))內(nèi)部不平坦,存在偽影;而由本章提出的EMATV模型(3.9(f))恢復(fù)的圖像內(nèi)部區(qū)域干凈平滑無偽影,不僅有效降低了階梯效應(yīng)同時(shí)還保護(hù)了圖像的邊緣信息,視覺上效果改進(jìn)明顯,取得了較好的復(fù)原效果.

【參考文獻(xiàn)】：
期刊論文
[1]基于非凸的全變分和低秩混合正則化的圖像去模糊模型和算法[J]. 孫濤,李東升.  計(jì)算機(jī)學(xué)報(bào). 2020(04)
[2]A general truncated regularization framework for contrast-preserving variational signal and image restoration: Motivation and implementation[J]. Chunlin Wu,Zhifang Liu,Shuang Wen.  Science China（Mathematics）. 2018(09)
[3]基于l1/l2的高低階全變差運(yùn)動(dòng)模糊圖像盲復(fù)原方法[J]. 王燦,楊帆,李靖.  激光與光電子學(xué)進(jìn)展. 2018(04)
[4]基于加權(quán)函數(shù)的全變分圖像去噪模型[J]. 欒寧麗,金聰.  電子測(cè)量技術(shù). 2018(07)
[5]基于自適應(yīng)TVp正則化圖像恢復(fù)方法[J]. 李率杰,馮兆永.  中山大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(05)
[6]基于圖像局部方向特性的自適應(yīng)全變分去噪模型[J]. 唐玲,陳明舉.  液晶與顯示. 2016(05)
[7]約束最小二乘法實(shí)現(xiàn)退化圖像復(fù)原[J]. 李曼.  電腦知識(shí)與技術(shù). 2015(26)
[8]非凸總廣義變差圖像恢復(fù)模型[J]. 郝巖,許建樓.  計(jì)算機(jī)工程與應(yīng)用. 2013(16)
[9]基于Lucy-Richardson算法的圖像復(fù)原[J]. 閆河,閆衛(wèi)軍,李唯唯.  計(jì)算機(jī)工程. 2010(15)
[10]加權(quán)變分的圖像去噪算法[J]. 陳利霞,馮象初,王衛(wèi)衛(wèi),宋國(guó)鄉(xiāng).  系統(tǒng)工程與電子技術(shù). 2010(02)

博士論文
[1]基于非局部均值和正則化模型的圖像去噪研究[D]. 范琳偉.山東大學(xué) 2019

碩士論文
[1]基于正則化方法的圖像去噪模型的研究[D]. 李青青.武漢理工大學(xué) 2013



本文編號(hào)：3466382