基于多幅图像恢复单幅图像的快速算法实现

发布时间：2021-10-29 01:54

　　为解决传统的单幅图像恢复算法效果不理想的情况,现有理论利用多幅图像之间的信息互补这一条件,在图像配准的基础上,通过多幅退化图像对单幅图像进行恢复,比较流行的是使用M估计（M-estimation）对图像进行配准,然后利用L1范数进行图像融合,进而提升图像恢复的鲁棒性,但其收敛速度并不理想。为了实现算法的快速收敛,通过对下降算法的搜索梯度方向改善的探究,提出了基于共轭梯度下降法（conjugate gradient descent, CGD）的图像恢复算法。在此基础上对CGD图像恢复算法进行改进,利用前后估计的值之间的差信息来优化迭代时的搜索方向,也就是在后面这次搜索梯度上面加前1次和前2次估计值的差,以此增大搜索梯度值,进一步缩短迭代到最小值的时间。仿真结果表明,所提出的改进算法比基于最速梯度下降法（batch gradient descent, BGD）的图像恢复算法的收敛速度更快。 

【文章来源】：重庆邮电大学学报(自然科学版). 2020,32(06)北大核心CSCD

【文章页数】：8 页

【部分图文】：

图像退化模型

本文实验是在window10系统下使用MATLAB R2014a完成的,计算机配置为:Intel(R)Core i7-6700 3.40 GHz,内存8.00 GByte。主要的测试图片有lena和liftingbody 2张图片,如图2,退化图像其参数为x轴平移3.218 7像素,y轴平移0.170 9像素,旋转角度为2.224 9°,高斯噪声的方差为1.626 2E-04,高斯模糊参数LEN=20,THETA=45,2幅图片大小均为512×512。此外,还包括各自的16幅对原图进行配准,从而达到去模糊效果的待配准模糊图,如图3,这里由于篇幅的限制,只给出了lena用于恢复单幅图片的16幅图,其中8幅图像的噪声是高斯噪声,另外8幅的噪声是椒盐噪声。图3 lena的16幅恢复参考图

图2 lena与liftingbody的原图像与退化图像为了便于比较,这里引入了2个图像处理中比较通用的参数来衡量算法的恢复性能:峰值信号比(peak signal to noise ratio, PSNR)和均方误差的平方根(root mean square, RMS)。lena退化图像参数为PSNR=19.194 7 dB,RMS=27.977 3;liftingbody退化图像参数为PSNR=19.939 7 dB,RMS=25.677 6(见图2)。

【参考文献】：
期刊论文
[1]基于稀疏转稠密机制的仿射不变特征匹配算法[J]. 李云天,朱颖琪,李征,孙晓雨.  四川大学学报(自然科学版). 2018(01)



本文编号：3463734