基于增廣拉格朗日法的圖像復(fù)原方法與應(yīng)用.pdf

1、圖像復(fù)原的目標(biāo)是根據(jù)退化圖像重構(gòu)高品質(zhì)的原始圖像,圖像復(fù)原的質(zhì)量和速度是圖像復(fù)原的重要研究課題。作為圖像處理領(lǐng)域的預(yù)處理步驟,圖像復(fù)原得到的低失真圖像,可以使圖像分割、目標(biāo)識別、圖像理解等任務(wù)簡單高效,具有重要的研究和應(yīng)用價值。
　　全變分(TV)最小化模型以其具有保持圖像邊緣的特性,在圖像復(fù)原領(lǐng)域得到了很多關(guān)注。然而,全變分圖像復(fù)原是一個典型的非光滑最優(yōu)化問題,需要開發(fā)相關(guān)的快速優(yōu)化算法。增廣拉格朗日方法(ALM)是一類具有代表

2、性的優(yōu)化方法,其清晰的理論框架和簡單的計算過程為全變分圖像復(fù)原的求解提供了思路。本文分析了全變分圖像復(fù)原模型,變量分裂(VS)法和典型ALM算法,以及基于 ALM的全變分圖像復(fù)原模型算法以及包含多個正則項的圖像復(fù)原模型的求解過程。重點研究了信度項變量分裂(DFVS)的全變分圖像復(fù)原模型及基于 ALM的快速求解算法。實驗中,我們從峰值信噪比(PSNR)、品質(zhì)評價、CPU運行時間、目標(biāo)函數(shù)值等方面實驗數(shù)據(jù)分析了基于 ALM的全變分圖像復(fù)原算

3、法和其他快速算法對圖像復(fù)原性能和質(zhì)量的影響。實驗還詳細(xì)對比了 DFVS算法與其他快速算法復(fù)原效果和復(fù)原速度的差異,并以 SALSA算法和 FTVd算法為例,給出了 ADMM方法和 IALM方法求解全變分圖像復(fù)原問題的差異。
　　梯度向量流主動輪廓模型(GVF Snake)本質(zhì)是一個圖像復(fù)原問題。主動輪廓模型因為可以得到連續(xù)的單邊緣等優(yōu)點在圖像分割、目標(biāo)追蹤等研究領(lǐng)域取得了很大的成功。GVF Snake及其泛化版本GGVF開發(fā)的新外