基于交替方向乘子法的图像盲复原方法.docxVIP

基于交替方向乘子法的图像盲复原方法 0 psf函数问题 在现实生活中，观察到的图像通常是真实图像退化后获得的结果，这一过程可以简化为：。 式中:b是观测到的图像, x是原始图像, A是点扩散函数, ε是加性噪声。由观测到的退化图像b重建原始图像x的过程称为图像复原。图像复原在医疗图像 若点扩散函数 (point spread function, PSF) 无法确定, 仅能通过观测图像推断出退化信息, 从而找出复原的图像, 则复原的过程成为图像盲复原。针对全变分 (total variation, TV) 函数难以解决非线性和不可微的情况, 提出了很多的方法, 如滞后系数不动点迭代算法 图像复原问题可以归结为求解线性反问题: 式中A是两个Hilbert空间X到H的有界线性算子。解决实际问题时不能仅仅考虑如何求解式 (2) , 应当加入一些先验条件, 例如稀疏性的条件, 为此引入算子W, 问题转化为 其中f和W对特定的应用可以取不同的值。所考虑模型为 式中:α, β0被称为正则项系数;f是一个促进稀疏的函数。在解决此问题时, 通过引入了新的分裂算子和新的处罚项可以将问题转化为新的约束问题, 最后运用交替方向乘子法 1 结构化算法 ADM M算法常用来解决变分正则最小化问题, 并因其可分解性和优秀的灵活性而作为解决结构化优化问题的有效算法受到了很多学者的关注。 为了解决式 (3) 所提出的问题, 引入一个新的变量y, 式 (3) 变为 其中ρ 算法1 (ADMM算法) (1) 输入y (3) 对k=0, 1, 2…, 更新x, y和拉格朗日乘子: (4) 终止条件: 2 admm盲原生算法 针对盲复原问题, 本研究提出了新的交替方向乘子 (ADMM) 盲复原算法, 采用交替迭代的思想并加入对图像和PSF的约束来达到获取目标图像的目的。 算法2: (ADMM盲复原算法) (1) 输入初始y (3) 对k=0, 1, 2, …, 更新x, y和拉格朗日乘子: (4) 终止条件: 在解决图像的问题中, 令 步骤 (3) 中问题的关键步骤为 而步骤3可用shrink函数求解 对图像采用非负约束: 相较于传统盲复原算法, 不必知道点扩散函数模型, 只需支撑域大小的估计值, 先验知识要求较少。与FTVd算法不同, 不必在迭代中采用连续的方法来更新惩罚项系数。 3 不同不同退化图像的评价结果 为了验证所提优化算法的可行性和性能, 选用准测试图“Lenna”和“house”作为试验对象, 如图1所示。试验多采用人工退化是为了更清楚地对比不同模糊类型复原结果以及算法所估PSF与真实PSF关系。利用ADMM盲复原算法对不同人工退化图像进行复原, 并将此算法与近几年具有代表性的盲复原算法进行比较。 为客观评价图像复原效果引入评价指标峰值信噪比以及结构相似度, 其中峰值信噪比 式中MSE是原图像与复原图像之间的均方误差。两副图像x, y结构相似度 式中:μ为图像平均值, σ为图像标准差。 3.1 不同滤波退化前后的仿真结果 针对不同类型的模糊图像, 利用上述的方法进行盲复原, 复原效果参见图2。 图2 a) 和b) 分别是对高斯滤波退化后“Lenna”图, 采用ADMM盲复原算法复原前后结果;图2 c) 和d) 是对均匀滤波退化后“Lenna”图采用ADMM盲复原算法复原前后结果。目视效果与客观指标相符, 见表1。 3.2 psf重组算法的稳定性 ADM M盲复原算法与文献[11]提出的split breg m an迭代盲复原算法以及四阶split breg m an盲复原迭代算法 与其他两种盲复原算法相比, ADMM在复原效果以及运行速度上有巨大的优势。表2列出了了对“Lenna”图用5×5大小方差为10的高斯滤波器滤波后结果 (PSNR为25.0) 运用三种盲复原算法后的评价指标。PSNR最大能够提高1.2 d B, 结构相似度最大提高1%, 计算时间最大节约一半左右。 算法进行的是交替迭代, 算法中PSF矩阵与灰度图矩阵是同等地位的, 因此所估PSF的准确性一定程度上可以反应复原效果的好坏。图4可以看出, 迭代一定次数后, 文献[15]的四阶split bregman盲复原算法估计的退化函数离真实值相距甚远, 而文献[11]的split bregman盲复原算法则将退化函数简化为元素均相同的矩阵。相比之下, ADMM算法估计的退化函数与真实退化函数最为接近。 3.3 其他图像的恢复结果 本研究还针对其他加入不同模糊的图片进行了盲复原的试验, 下面列举其中的几个, 如图5所示。 4 psnr性能分析 本研究提出一种基于ADMM的盲复原算法。该算法无需对惩罚项连续更新且不必知道确切的PSF模型, 同时相比于已有的几种盲复原算法, 在复原