【圖像復(fù)原技術(shù)研究文獻(xiàn)綜述2000字】

圖像復(fù)原技術(shù)研究國(guó)內(nèi)外文獻(xiàn)綜述作為日常生活中廣泛使用的技術(shù)，圖像修復(fù)技術(shù)匯集了國(guó)內(nèi)外許多重要技術(shù)。實(shí)際上，圖像復(fù)原分為三種標(biāo)準(zhǔn)：首先是搭建其劣化圖像的圖像模型；其次去研究和篩選最佳的圖像復(fù)原方法；最后進(jìn)行圖像復(fù)原。所有類型的成像模型和優(yōu)化規(guī)則都會(huì)導(dǎo)致應(yīng)用于不同領(lǐng)域的不同圖像恢復(fù)算法。我們對(duì)現(xiàn)有的圖像復(fù)原方法大致做了總結(jié)，如利用線性代數(shù)知識(shí)的線性代數(shù)復(fù)原技術(shù)、搭建圖像退化模型的去卷積圖像恢復(fù)技術(shù)以及不考慮PSF的圖像盲解卷積算法等。其中，去卷積方法主要包括功率譜均衡、Wiener濾波和幾何平均濾波等，然而這些方法需要許多預(yù)信息和噪聲穩(wěn)定假設(shè)，這在現(xiàn)實(shí)當(dāng)中我們不可能利用計(jì)算機(jī)去做到的的事情，因此它們只適用于線性空間不變的理想系統(tǒng)，僅當(dāng)噪聲與信號(hào)無關(guān)時(shí)才能達(dá)到很好的效果。但是在一些條件惡化的情況下，就不能滿足圖像修復(fù)的效果了。在圖像恢復(fù)領(lǐng)域當(dāng)中，另一個(gè)重要且常見的方法是盲去卷積復(fù)原法。它的優(yōu)勢(shì)是在沒有預(yù)先了解退化函數(shù)和實(shí)際信號(hào)的知識(shí)前提下，可以根據(jù)劣化圖像直接估計(jì)劣化函數(shù)和初始信號(hào)。實(shí)際上，現(xiàn)在有幾個(gè)算法通過不充分的預(yù)測(cè)信息來恢復(fù)劣化圖像。由于我們需要對(duì)圖像和點(diǎn)擴(kuò)展函數(shù)的一些相關(guān)信息進(jìn)行假設(shè)和推導(dǎo)，所以這就導(dǎo)致圖像恢復(fù)的解通常并不存在唯一性，并且我們已知的初始條件和對(duì)附加圖像假設(shè)的選擇也會(huì)對(duì)解的優(yōu)劣產(chǎn)生很大的關(guān)系。與此同時(shí)，由于信道中不可避免的加性噪聲的影響，會(huì)進(jìn)一步導(dǎo)致盲圖像的復(fù)原變差，給圖像復(fù)原造成許多困難。也就是說，如果我們直接利用點(diǎn)擴(kuò)展函數(shù)進(jìn)行去卷積再現(xiàn)初始圖像，則一般會(huì)導(dǎo)致高頻噪聲放大，導(dǎo)致算法的性能惡化，恢復(fù)不出清晰的圖像。因此，我們要盡可能的提高圖像的信噪比，從而提高圖像復(fù)原的效果?；谝阎慕蒂|(zhì)算子和加性噪聲的某些統(tǒng)計(jì)性質(zhì)從而恢復(fù)清晰的圖像，我們將這種方法叫做線性代數(shù)恢復(fù)方法，并且這種線性代數(shù)恢復(fù)方法在一定程度上提出了用于恢復(fù)濾波器的數(shù)值計(jì)算從而使得模糊圖像恢復(fù)到與清晰圖像一致的新的設(shè)計(jì)思想。然而，不可避免的是當(dāng)退化函數(shù)的特征值接近于0時(shí)，噪聲對(duì)恢復(fù)效果具有舉足輕重的地位，并且該方法需要大量的計(jì)算來處理圖像，不能夠很快的得出結(jié)果。同時(shí)，這種方法也沒有考慮到區(qū)分高頻信號(hào)和邊界、紋理等噪聲最主要的差別，兩個(gè)重要特征信息都被破壞了。因此為了解決這些問題，我們做了很多工作來改進(jìn)算法，例如最小二乘法以及規(guī)則化約束最小二乘法。除了線性代數(shù)恢復(fù)之外，我們還可以使用圖像盲解卷積來恢復(fù)圖像，而不依賴于劣化函數(shù)和實(shí)際信號(hào)的預(yù)知識(shí)，但是根據(jù)劣化圖像直接估計(jì)劣化函數(shù)和實(shí)際信號(hào)。目前，我們經(jīng)常使用的算法是零葉分離法，預(yù)退化函數(shù)法和重復(fù)盲解卷積法等。這些算法都是在預(yù)先信息不足的情況下去復(fù)原劣化圖像，具有很廣泛的應(yīng)用。由于我們對(duì)原始圖像和PSF的預(yù)先信息一無所知，因此有許多圖像恢復(fù)的方法假設(shè)初始條件，并且假設(shè)的初始條件以及附加圖像假設(shè)與得到的恢復(fù)圖像的整體質(zhì)量息息相關(guān)。同時(shí)，由于圖片在傳輸中信道中不可避免的會(huì)產(chǎn)生加性噪聲，從而對(duì)圖像復(fù)原產(chǎn)生影響，其高頻噪聲被放大與圖像雜糅在一起，進(jìn)而導(dǎo)致算法不能恢復(fù)出理想圖像，性能會(huì)變得急劇惡化，從而得不出預(yù)先想要的初始圖像。因此，如果圖像信噪比不高，則結(jié)果通常不理想。同時(shí)在接收端，為了解決先驗(yàn)信息不足的這樣一個(gè)問題，我們非常有必要添加一些約束條件，如圖像的平滑性，從而進(jìn)行正則化。然而，歸一化策略通常導(dǎo)致模糊的復(fù)原圖像。同時(shí)，研究人員提出了各種各樣的“邊緣保存”規(guī)則化戰(zhàn)略，為了解決圖像恢復(fù)中的邊緣分解問題。基于上述想法，一些研究人員提出了“半二次歸一化”的概念來解決這個(gè)戰(zhàn)略中的非線性優(yōu)化問題。在此之后，人們又提出了一種新的方法-半次正則化，它的優(yōu)勢(shì)在于可以通過確定性算法獲得最佳的解，實(shí)現(xiàn)優(yōu)勢(shì)的最大化，因此它得到了廣泛的應(yīng)用。近年來，小波理論的態(tài)勢(shì)發(fā)展迅猛，由于其內(nèi)置的迭代正則化方法不僅考慮要去抑制噪聲的生長(zhǎng)，而且同時(shí)也保留了圖像的一些重要邊界，因此被許多學(xué)者采納，運(yùn)用于圖像恢復(fù)領(lǐng)域?；谛〔ㄗ儞Q的小波系數(shù)的預(yù)分布，采用廣義高斯模型作為具有噪聲估計(jì)能力的圖像恢復(fù)有序方法，提出了小波區(qū)域中的邊緣守恒正則化方法。同時(shí)，我們確定了小波區(qū)域圖像恢復(fù)的一般框架，但是改進(jìn)效果與傳統(tǒng)方法相比并不明顯。參考文獻(xiàn)[1]岑紅.計(jì)算機(jī)視覺技術(shù)的圖像識(shí)別與復(fù)原研究[J].電腦編程技巧與維護(hù),2020(12):142-143+153.[2]劉澤坤,張濤.維納濾波算法在散焦模糊圖像復(fù)原中的應(yīng)用研究[J].信息通信,2020(08):63-64.[3]孫成陽.基于主觀評(píng)價(jià)的維納濾波圖像去模糊研究[D].浙江工業(yè)大學(xué),2020.[4].Engineering-NuclearEngineering;InvestigatorsfromAllIndiaInstituteofMedicalSciences(AIIMS)ZeroinonNuclearEngineering(RestorationofI-131wholebodyimageusingaWienerfilter)[J].JournalofEngineering,2020.[5]HuiMei,WuYong,LiWeiqian,LiuMing,DongLiquan,KongLingqin,ZhaoYuejin.Imagerestorationforsyntheticaperturesystemswithanon-blinddeconvolutionalgorithmviaadeepconvolutionalneuralnetwork.[J].Opticsexpress,2020,28(7).[6]AnilKumarPandey,YashwariyaSantosh,ParamD.Sharma,DivyaYadav,ChandrashekharBal,RakeshKumar.RestorationofI-131wholebodyimageusingaWienerfilter[J].NuclearMedicineCommunications,2020.[7]姜金美,胡蓉,趙全友.基于改進(jìn)的維納濾波圖像復(fù)原算法的研究[J].大眾科技,2020,22(01):1-4.[8]JianZhao,YuanShi,ShunliZhang,DuanXie.ADSP-basedblinddeconvolutionalgorithmformotionimagerestoration[J].ClusterComputing:TheJournalofNetworks,SoftwareToolsandApplications,2019,22(5).[9]RenDongwei,ZuoWangmeng,ZhangDavid,ZhangLei,YangMing-Hsuan.SimultaneousFidelityandRegularizationLearningforImageRestoration.[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2019.[10]于志軍,李小平,張曉康.運(yùn)動(dòng)模糊參數(shù)優(yōu)化的圖像復(fù)原方法[J].蘭州交通大學(xué)學(xué)報(bào),2018,37(04):45-50+77.[11]王宇坤,劉福平,盧志鵬.盲去卷積圖像復(fù)原算法研究[J].北京印刷學(xué)院學(xué)報(bào),2017,25(08):24-26.[12]何宇龍.運(yùn)動(dòng)模糊圖像盲復(fù)原技術(shù)研究[D].國(guó)防科學(xué)技術(shù)大學(xué),2016.[13]曾敬楓.基于MATLAB維納濾波算法在圖像復(fù)原實(shí)驗(yàn)的應(yīng)用[J].現(xiàn)代計(jì)算機(jī)(專業(yè)版),2014(34):3-5.[14]賈花萍.盲去卷積算法在圖像恢復(fù)中的應(yīng)用研究[J].信息技術(shù),2011,35(05):38-39.[15]林芳,潘哲朗.維納濾波在圖像去卷積上的應(yīng)用[J].科技資訊,2010(03):225-226.[16]QiShan,JiayaJia,AseemAgarwala.High-qualitymotiondeblurringfromasingleimage[J].ACMTransactionsonGraphics(TOG),20