基于数据驱动稀疏表示的脉冲和泊松噪声背景下的图像去模糊研究

Image deblurring is a very challenging problem since this is an inverse problem. In many image applications, the image which we obtain is not just blurry, but also noisy. The commonly used Gaussian noise assumption is too simple in many applications. Impulse noise is often found in digital storage and transmission. While Poisson noise is often found in Satellite imaging, bio-imaging, medical imaging, fluorescence imaging. Image deblurring under the two non-Gaussian noise has attracted wide attention in the field of information. Sparse representation of image, especially which is constructed from the considered image, can lead to efficient algorithms for handling image data. This research proposal focuses on data driven sparse representation based image deblurring under impulse and Poisson noise. Indeed, we will first study how to build a convex model and the suitable dictionary learning algorithm. We then study image deblurring algorithms based on data driven tight frame. Finally, we study the blind deblurring under impulse and Poisson noise.

图像去模糊是一个很有挑战性的问题，由于在图像获取时的信息丢失，使得问题本身是一个不可逆的过程。而在图像应用中，除模糊外，还存在多种噪声类型。通常假设噪声类型为易于处理的高斯白噪声，但这在很多时候与实际情况不符。脉冲噪声常见于信息的存储和传输中，而泊松噪声通常出现在卫星成像、生物成像、医学成像及荧光成像系统中。这两种非高斯噪声背景下的图像去模糊近年来在信息领域引起了广泛的关注。鉴于图像的结构特征，稀疏表示方法可以为图像应用提供更好的图像表示方法，尤其是从待处理图像自身的信息构造稀疏表示已经在部分领域取得了突破性进展。本项目将集中研究基于数据驱动稀疏表示的脉冲和泊松噪声背景下的图像去模糊问题。首先我们研究如何构建凸模型和合适的字典学习方法，提高恢复图像的质量。然后研究基于数据驱动紧框架的图像去模糊算法，使算法易于推广。最后我们将研究盲去模糊算法。

由于在图像获取时的信息丢失，使得图像去模糊问题本身是一个不可逆的过程。而在图像应用中，除模糊外，还存在多种噪声类型。通常假设噪声类型为易于处理的高斯白噪声，但这在很多时候与实际情况不符。脉冲噪声常见于信息的存储和传输中，而泊松噪声通常出现在卫星成像、生物成像、医学成像及荧光成像系统中。这两种非高斯噪声背景下的图像去模糊近年来在信息领域引起了广泛的关注。鉴于图像的结构特征，稀疏表示方法可以为图像应用提供更好的图像表示方法，尤其是从待处理图像自身的信息构造稀疏表示已经在部分领域取得了突破性进展。本项目将基于高斯噪声背景下图像去模糊的研究，集中研究基于数据驱动稀疏表示的非高斯噪声背景下的图像去模糊问题，并将本项目积累的研究成果推广至产业化应用项目中。本项目按计划顺利地完成了任务。主要的研究内容有：1）研究了结构化稀疏表示模型；2）研究了基于low rank的图像恢复模型；3）研究了稀疏表示方法在视频2D/3D转换中的应用；4）研究了基于分数阶正则化项的图像恢复模型；5）研究了基于边缘信息的图像处理方法；6）研究了基于颜色的层次算法的图像表示方法；7）研究了特定直线检测方法。