为了提高特定应用场景的红外导引头成像质量, 采用了统计导引头图像对成像环境和应用场景建模的方法,一方面用L1/L2范数对复原图像进行约束, 保持多尺度成像细节信息; 另一方面用稀疏的拉普拉斯分布对迭代模糊核进行约束, 保持对红外成像内容的约束,并采用计算图像细节信息进行了自适应变化核。结果表明, 建立的图像复原约束模型能有效地提升成像质量, 凸显图像边缘,其对比度增强系数指标提高了20%～50%, 峰值信噪比提高了0.8～3.4, 图像像素的模糊检测累积概率提高了0.3～0.5。该研究对复杂场景和动载体成像处理有一定的帮助。
图像处理 统计先验约束 多尺度成像 应用场景 拉普拉斯分布 L1/L2范数 image processing statistical prior constrain multi-scale imaging imaging application scenarios Laplacian distribution L1/L2 norm
天津大学电气自动化与信息工程学院, 天津 300072
目前,基于统计先验的图像去模糊方法对噪声敏感,细节恢复能力有限,而基于先验学习的算法对图像及其模糊类型、噪声水平等适应性较差。针对上述问题,基于图像模糊前后像素直方图统计,首先提出一种简单有效的低值像素先验。然后针对现有方法对图像去模糊后出现大量噪声或伪影等问题,设计深度卷积神经网络学习图像深度去噪先验,并联合低值像素先验、梯度稀疏先验提出新的去模糊模型。同时,在模糊核估计过程中,利用图像分解方法分离出图像的结构层,并在结构层估计模糊核,获得更为准确的估计结果。大量实验结果表明,本文算法不仅具有很好的细节恢复能力,且对图像及其模糊类型、噪声水平等更具稳健性。与现有主流算法相比,本文方法优势明显。
图像处理 盲去模糊 统计先验 深度去噪先验 卷积神经网络 模糊核估计 光学学报
2018, 38(10): 1010003
1 合肥工业大学计算机与信息学院，合肥 230009
2 安全关键工业测控技术教育部工程研究中心，合肥 230009
针对目前基于字典学习的图像超分辨率算法中边缘保持能力有限、易产生视觉伪影等不足，本文提出了一种边缘增强的多字典学习图像超分辨率重建算法，可以有效的恢复图像边缘细节信息。算法首先对训练图像块进行聚类处理，然后使用 Boost K-SVD算法快速学习多组字典对，超分辨重建时自适应选择最优字典对进行稀疏分解和重建。为了改善重建后图像的边缘视觉效果，根据输入的低分辨率图像引入边缘方向保持正则项，同时学习自然图像库的边缘锐度统计先验对重建后图像的边缘进行约束。实验结果验证了本文算法的有效性。
超分辨率重建 字典学习 统计先验 边缘增强 super-resolution dictionary learning statistical priors edge-enhancement
