基于点扩散函数估计的正则化图像复原方法

《基于点扩散函数估计的正则化图像复原方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于点扩散函数估计的正则化图像复原方法REGULARIZATIONIMAGERESTORATIONMETHODSBASEDONPOINTSPREADFUNCTIONESTIMATION曲荣召哈尔滨工业大学2016年6月国内图书分类号：TP751.1学校代码：10213国际图书分类号：621.3密级：公开工学硕士学位论文基于点扩散函数估计的正则化图像复原方法硕士研究生:曲荣召导师:任智斌副教授申请学位:工学硕士学科:光学工程所在单位:航天学院答辩日期:2016年6月授予学位单位:哈尔滨工业大学ClassifiedIndex:

2、TP751.1U.D.C:621.3DissertationfortheMasterDegreeinEngineeringREGULARIZATIONIMAGERESTORATIONMETHODSBASEDONPOINTSPREADFUNCTIONESTIMATIONCandidate:QuRongzhaoSupervisor:AssociateProf.RenZhibinAcademicDegreeAppliedfor:MasterofEngineeringSpeciality:OpticalEngineeringAffiliati

3、on:SchoolofAstronauticDateofDefence:June,2016Degree-Conferring-Institution:HarbinInstituteofTechnology哈尔滨工业大学工学硕士学位论文摘要图像复原是数字图像处理领域中最重要的研究方向之一，基于正则化约束的图像复原方法一直是复原领域的研究热点。本文根据自然图像的先验知识构造正则化项，结合快速收敛的复原算法，提高图像复原质量。为了获得高质量复原图像，需要首先估计PSF。提供高精度的PSF可以使复原过程速度更快、稳定性更好。由于传统的参数估计

4、方法对PSF的估计存在较大的局限性，本文在基于自然统计信息结合最大后验概率模型下，介绍了反卷积法和Radon变换法两种估计PSF的方法，在不需要根据观测图像的退化特征预先假设点扩散函数模型的情况下，可以从观测图像中的特殊区域精确的估计出任意形状的二维PSF，算法对噪声具有较强的抑制作用，估计的结果也具有较高精度。其次，本文采用全变分（TV）正则化模型结合TwIST算法对图像进行快速复原，算法的每次迭代都涉及基于TV正则化模型的去噪过程。全变分正则化模型不仅本身具有唯一解，在图像复原和去噪过程中还能够保持图像的细节成分。正则化参数的选取

5、往往决定复原的质量，本文根据参数与噪声方差的关系，通过匹配先验噪声信息，在复原过程中对参数进行反复修正得到最优值，进而达到提高图像复原质量的目的。由于本文所阐述的所有算法都考虑到了噪声的影响，为提高算法的性能和结果的精确性，需要对观测图像中的噪声水平做初步的估计，经过验证，主成分分析估计噪声方差具有很好的效果。最后，结合本文的复原方法对含有不同程度噪声的观测图像进行复原，基于客观评价方法对复原的图像质量做出评价同时对复原结果进行分析。关键词：图像复原；点扩散函数；Radon变换；正则化；主成分分析-I-哈尔滨工业大学工学硕士学位论文A

6、bstractImagerestorationisoneofthemostimportantresearchdirectionsinthedigitalimageprocessingfield.Imagerestorationbasedonregularizationconstrainthasbeenthehottopicintherestorationfield.Basedonpriorknowledgeofnaturalimages,constructregularizationtermcombinedfastconvergenc

7、ealgorithmtoimprovethequalityofimageswasresearchedinthisdissertation.Inordertoobtainahighqualityrestoredimage,itisnecessarytoestimatePSFfirst.ProvidedaprecisionPSFcanmaketherecoveryprocessfasterandmorestable.Becauseofthetraditionalestimationmethodshavehigherlimitations.

8、Inthispaper,wewillcombinestatisticsofthenaturalimagesandmaximumaposteriorimodeltointroducetwomethodstoestimate