非盲图像复原总结.docVIP

非盲图像复原总结 　　摘要：作为目前图像处理领域的研究重点，图像复原可移除图像中的模糊与噪声，具有重要的理论价值和广阔的应用前景。为使图像复原的研究被人们所了解，该文首先对图像复原做了简单的描述，接着介绍了近年来出现的一些非盲图像复原算法，包括基于总变分模型的算法、基于Bregman迭代的算法和基于稀疏表示的算法等，最后基于对现有算法的了解与分析，总结了图像复原研究的难点与趋势。 　　关键词： 图像复原； 总变分模型； Bregman迭代； 稀疏表示； 优化问题 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）07-1642-03 　　由于噪声、模糊等不利因素的影响，数字图像的质量通常难以令人满意，无法对其进一步进行研究和利用。观测到的退化与理想的原始图像之间的关系可表示为： 　　式中，y表示观测图像；A表示模糊算子；x表示原始图像；n表示加性噪声。因此，图像复原的目的是在模型（1）的框架下，估计最优的原始图像x，这是一种典型的线性逆问题。图像复原已成为图像处理领域乃至计算机领域的研究热点，其研究可追溯到上个世纪六十年代，经过逾半个世纪的发展，不断有新的算法和技术涌现。目前，图像复原算法主要分为非盲（non-blind）图像复原算法和图像盲复原算法两大类。当模型（1）中的模糊算子A是已知的，图像复原被称为非盲的图像复原。非盲图像复原算法主要有：基于总变分（TV，total variation）模型的算法、基于Bregman方法的算法和基于稀疏表示的算法等。 　　1 基于TV模型的图像复原算法 　　TV模型亦称ROF模型，可表示为： 　　由L. I. Rudin、S. Osher和E. Fatemi提出[1]，其最突出的优点是抑噪的同时可保留图像边缘等重要信息，该模型已成为图像复原、图像去噪[2]和图像修复[3]等领域使用最广泛的先验模型之一。由于TV模型是不可微分的，基于TV模型的算法需重点考虑图像复原的数值解问题。为求解经典的TV/L2问题，Y. L. Wang等人[4]建立了一种半二次化（quadratic minimization）模型，采用二次最小化方法计算该模型以提高图像复原的效率。J. F. Wang等人[5]扩展了Y. L. Wang等人的算法，将其用于彩色图像复原问题的处理。A. Beck等人[6]提出了一种基于Nesterov梯度法的TV图像复原算法，该算法具有全局收敛速率。基于变量分离和交替方向法（ADM，alternating direction method），M. K. Ng等人[7]将TV/L2模型分解为更简单的子问题进行求解，ADM方法的优点是通过有限步迭代即可得到问题的精确解。结合增广拉格朗日法，S. H. Chan等人[8]提出了与M. K. Ng等人类似的算法，该算法主要用于复原视频图像序列。尽管TV模型可保留图像细节，但复原图像的平滑区域产生阶梯效应（staircase effect），因此一些研究提出在TV模型中加入高阶项以克服其缺点。例如，F. Li等人[9]将TV滤波器和四阶PDE滤波器结合复原图像，避免了阶梯效应的出现。原始-对偶法（primal-dual method）是一类求解经典TV图像复原比较有效的方法。它最早由T. F. Chan等人提出[10]，为了消除模型（2）目标函数的奇异性和不可微性，T. F. Chan等人用新变量替换了其欧拉-拉格朗日方程中的?x/|?x|，得到如下的模型： 　　及其对偶模型，并通过半光滑牛顿法（semismooth Newton method）对模型（4）及其对偶模型进行求解。M. Hintermuller等人的算法具有超线性的收敛速度，相比T. F. Chan等人的算法，该算法对对偶变量没有过多的约束。E. Esser等人[12]修改了原始对偶混合梯度（PDHG，primal-dual hybrid gradient）算法，将TV最小化问题转化为等价的鞍点问题（saddle point problem），并利用不精确Uzawa算法求解该鞍点问题。由最终的实验结果，E. Esser等人的算法略优于PDHG算法。A. Chambolle等人[13]将TV优化问题转化为更通用的鞍点问题，采用了与PDHG类似的算法处理该鞍点问题。针对不同的具体问题，A. Chambolle等人的算法有着不同的收敛速率。 　　2 基于Bregman迭代的图像复原算法 　　近年来，在图像复原领域，Bregman迭代因其简单、稳定、速度快和效率高而受到越来越多的关注。Bregman迭代是一系列以Bregman距离为基础的方法的总称，包括了经典的Bregman方法、线性（linerized）Bregman方法和分