边缘自适应全变差图像去模糊模型
发布时间：2021-10-30 08:03
图像是人类获取信息的重要来源,然而图像在拍摄过程中不可避免的受到噪声的干扰以及模糊的影响,使得质量降低.受损图像会给进一步的图像处理带来困难,于是从受损图像中恢复原始图像就尤为必要.图像去模糊作为图像恢复的一个重要分支,具有重要的研究价值与意义.图像去模糊在数学上是一个不适定的反问题.正则化方法是求解不适定问题的普遍方法.这种方法的基本思路就是找一组与原问题相邻近的适定问题的解去逼近原问题的解.如何建立有效的正则化方法是图像恢复的一个重要研究内容.因此图像去模糊模型的关键在于正则项的选取.全变差正则项模型是最具代表性的正则化方法,由于其可以很好的保护边缘,随后被广泛应用到图像去模糊领域.为了克服全变差模型存在的阶梯效应和振铃现象,本文通过给全变差正则项增加一个边缘自适应系数,提出了基于边缘的倍数自适应全变差模型.该模型根据像素点局部信息自动调整正则项参数,减小边缘附近的权重,平滑区域不做处理,从而降低全变差最小化过程中对边缘的作用,更好的保护边缘.文中使用交替方向乘子法求解模型,并通过仿真实验验证所提出的模型具有更好的去模糊效果,峰值信噪比和结构相似度均有提高.基于L2
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
图像”Shepp-Logan”经不同模型恢复后的效果及PSNR值.设置高斯模糊核为(9,5),高斯噪声为σ=3,其中(a)原始图
内蒙古大学硕士学位论文(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图3.7:图像”QRcode”经不同模型恢复后的效果及PSNR值.设置高斯模糊核为G(11,5),高斯噪声σ=3.其中(a)原始图像”QRcode”,(b)噪音模糊图,(c)TV,(d)DCA.L10.5L2,(e)TR-TV,设τ=0.5,(f)EMATVani,设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.像的边缘细节信息.而且PSNR值也要高于其他三种模型.为了进一步验证本章模型的去模糊性能,表3.1,3.2分别给出了不同测试图像经不同方法去模糊后的图像对应的PSNR与SSIM值,其中粗体字表示一行中值最大的数.由统计表可以得出,与其他三种图像去模糊模型相比,由EMATV模型恢复的图像峰值信噪比和结构相似度数值是最大的.表3.2:测试图像经不同模型恢复的PSNR与SSIM值.设置高斯核为G(9,5),噪声水平为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.
内蒙古大学硕士学位论文§3.5.2各项同性倍数自适应全变差模型实验结果各向同性倍数自适应全变差模型的视觉效果如图3.8和3.9.图3.8中,对图像”House”添加大小为9×9,标准差为5的高斯模糊核以及σ=0.5的高斯噪音.由图3.8可以看出,TV模型(3.8(c))在去噪的时模糊了图像的边缘信息;DCA模型(3.8(d))在屋檐的位置存在明显的阶梯效应;截断正则项模型(3.8(e))虽缓解了阶梯效应,但同时也丢失了窗户部分的部分细节信息;而各项同性EMATV模型(3.8(f))不仅能保留图像的边缘轮廓和细节信息,而且图像的模糊程度也明显降低.(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图3.8:图片”House”经不同模型恢复后的效果及PSNR值.设置高斯模糊核为G(9,5),高斯噪声σ=0.5.其中(a)原始图像”House”,(b)噪音模糊图,(c)TV,(d)DCA.L10.5L2,(e)TR-TV,设τ=0.5,(f)EMATViso,设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.图3.9中,对图像”Shape150”添加大小为11×11标准差为3的高斯模糊核以及σ=4的高斯噪声.图3.9中也体现出了与图3.8类似的情况,即TV模型(3.9(c))会使图像的边缘过度光滑造成模型;DCA模型(3.9(d))虽然内部区域干净无伪影但是边缘出现了明显的阶梯效应;截断正则项模型(3.9(e))内部不平坦,存在伪影;而由本章提出的EMATV模型(3.9(f))恢复的图像内部区域干净平滑无伪影,不仅有效降低了阶梯效应同时还保护了图像的边缘信息,视觉上效果改进明显,取得了较好的复原效果.
【参考文献】：
期刊论文
[1]基于非凸的全变分和低秩混合正则化的图像去模糊模型和算法[J]. 孙涛,李东升. 计算机学报. 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的高低阶全变差运动模糊图像盲复原方法[J]. 王灿,杨帆,李靖. 激光与光电子学进展. 2018(04)
[4]基于加权函数的全变分图像去噪模型[J]. 栾宁丽,金聪. 电子测量技术. 2018(07)
[5]基于自适应TVp正则化图像恢复方法[J]. 李率杰,冯兆永. 中山大学学报(自然科学版). 2016(05)
[6]基于图像局部方向特性的自适应全变分去噪模型[J]. 唐玲,陈明举. 液晶与显示. 2016(05)
[7]约束最小二乘法实现退化图像复原[J]. 李曼. 电脑知识与技术. 2015(26)
[8]非凸总广义变差图像恢复模型[J]. 郝岩,许建楼. 计算机工程与应用. 2013(16)
[9]基于Lucy-Richardson算法的图像复原[J]. 闫河,闫卫军,李唯唯. 计算机工程. 2010(15)
[10]加权变分的图像去噪算法[J]. 陈利霞,冯象初,王卫卫,宋国乡. 系统工程与电子技术. 2010(02)
博士论文
[1]基于非局部均值和正则化模型的图像去噪研究[D]. 范琳伟.山东大学 2019
硕士论文
[1]基于正则化方法的图像去噪模型的研究[D]. 李青青.武汉理工大学 2013
本文编号：3466382
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
图像”Shepp-Logan”经不同模型恢复后的效果及PSNR值.设置高斯模糊核为(9,5),高斯噪声为σ=3,其中(a)原始图
内蒙古大学硕士学位论文(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图3.7:图像”QRcode”经不同模型恢复后的效果及PSNR值.设置高斯模糊核为G(11,5),高斯噪声σ=3.其中(a)原始图像”QRcode”,(b)噪音模糊图,(c)TV,(d)DCA.L10.5L2,(e)TR-TV,设τ=0.5,(f)EMATVani,设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.像的边缘细节信息.而且PSNR值也要高于其他三种模型.为了进一步验证本章模型的去模糊性能,表3.1,3.2分别给出了不同测试图像经不同方法去模糊后的图像对应的PSNR与SSIM值,其中粗体字表示一行中值最大的数.由统计表可以得出,与其他三种图像去模糊模型相比,由EMATV模型恢复的图像峰值信噪比和结构相似度数值是最大的.表3.2:测试图像经不同模型恢复的PSNR与SSIM值.设置高斯核为G(9,5),噪声水平为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.
内蒙古大学硕士学位论文§3.5.2各项同性倍数自适应全变差模型实验结果各向同性倍数自适应全变差模型的视觉效果如图3.8和3.9.图3.8中,对图像”House”添加大小为9×9,标准差为5的高斯模糊核以及σ=0.5的高斯噪音.由图3.8可以看出,TV模型(3.8(c))在去噪的时模糊了图像的边缘信息;DCA模型(3.8(d))在屋檐的位置存在明显的阶梯效应;截断正则项模型(3.8(e))虽缓解了阶梯效应,但同时也丢失了窗户部分的部分细节信息;而各项同性EMATV模型(3.8(f))不仅能保留图像的边缘轮廓和细节信息,而且图像的模糊程度也明显降低.(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图3.8:图片”House”经不同模型恢复后的效果及PSNR值.设置高斯模糊核为G(9,5),高斯噪声σ=0.5.其中(a)原始图像”House”,(b)噪音模糊图,(c)TV,(d)DCA.L10.5L2,(e)TR-TV,设τ=0.5,(f)EMATViso,设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.图3.9中,对图像”Shape150”添加大小为11×11标准差为3的高斯模糊核以及σ=4的高斯噪声.图3.9中也体现出了与图3.8类似的情况,即TV模型(3.9(c))会使图像的边缘过度光滑造成模型;DCA模型(3.9(d))虽然内部区域干净无伪影但是边缘出现了明显的阶梯效应;截断正则项模型(3.9(e))内部不平坦,存在伪影;而由本章提出的EMATV模型(3.9(f))恢复的图像内部区域干净平滑无伪影,不仅有效降低了阶梯效应同时还保护了图像的边缘信息,视觉上效果改进明显,取得了较好的复原效果.
【参考文献】：
期刊论文
[1]基于非凸的全变分和低秩混合正则化的图像去模糊模型和算法[J]. 孙涛,李东升. 计算机学报. 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的高低阶全变差运动模糊图像盲复原方法[J]. 王灿,杨帆,李靖. 激光与光电子学进展. 2018(04)
[4]基于加权函数的全变分图像去噪模型[J]. 栾宁丽,金聪. 电子测量技术. 2018(07)
[5]基于自适应TVp正则化图像恢复方法[J]. 李率杰,冯兆永. 中山大学学报(自然科学版). 2016(05)
[6]基于图像局部方向特性的自适应全变分去噪模型[J]. 唐玲,陈明举. 液晶与显示. 2016(05)
[7]约束最小二乘法实现退化图像复原[J]. 李曼. 电脑知识与技术. 2015(26)
[8]非凸总广义变差图像恢复模型[J]. 郝岩,许建楼. 计算机工程与应用. 2013(16)
[9]基于Lucy-Richardson算法的图像复原[J]. 闫河,闫卫军,李唯唯. 计算机工程. 2010(15)
[10]加权变分的图像去噪算法[J]. 陈利霞,冯象初,王卫卫,宋国乡. 系统工程与电子技术. 2010(02)
博士论文
[1]基于非局部均值和正则化模型的图像去噪研究[D]. 范琳伟.山东大学 2019
硕士论文
[1]基于正则化方法的图像去噪模型的研究[D]. 李青青.武汉理工大学 2013
本文编号：3466382
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3466382.html
