基于稀疏正则化方法的盲图像复原关键技术研究

Image restoration has being a research focus in computer vision and image processing, and is the foundation of the further image processing. in blind image restoration, the prior models of natural images have important impact for solving the problems of image restoration. The utilization of natural image prior models is able to constrain the solution space, and enable the inverse problem well-posed, achieving the restored images that ate coincident with the characteristics of human visual perception. In this project, based on the sparse representation prior modeling of natural images, we mainly focus on the research topics on image inpainting, image deblurring, image denoising. The contents of the project can be included in: Break through the traditional framework on fixed sparse domain of sparse representation, we put forward the local adaptive sparse representation method which can accurately depict the image local structure. Aiming at the generic dictionary learning using over complete dictionary have the problems such as low computing efficiency and sparsy degree, we put forward the local image structure adaptive dictionary selection method and improve the quality of image restoration. According to different blocks have different structure, and their optimal regularization constraint should also be different, we put forward adaptive regularization method based on local mean to better describe the image priori information in order to obtain better restoration effect. The study of the project not only has important theoretical significance, at the same time has important application value in high-definition television, digital image/video enhancement, medical image processing, etc.

图像复原是计算机视觉和图像处理的研究热点，是图像进一步处理的基础。在盲图像复原中，图像的先验模型起着非常重要的作用，利用自然图像的先验模型可以对真实解空间进行正则化约束，把不适定性问题转化为适定问题。本项目以稀疏正则化方法为出发点，重点针对图像修补、图像去运动模糊、图像去噪等问题进行研究。研究内容包括：突破传统固定稀疏域的稀疏表示框架，提出局部自适应的稀疏表示优化方法，可更加精确刻画图像的局部结构；针对目前字典学习使用通用的过完备字典所导致的计算效率、稀疏度低等问题，提出图像局部结构自适应子字典选择方法，提高盲复原质量；根据不同的图像块有不同的结构，它们的最优正则化约束也应该是不同的，提出基于局部均值的图像稀疏表示自适应正则化方法，能更好地描述图像的先验信息以获得更好的复原效果。本项目的研究不仅具有重要的理论意义，同时在高清电视、数字图像/视频增强、医学图像处理等方面具有重要应用价值。

图像复原是计算机视觉和图像处理的研究热点，是图像进一步处理的基础。在盲图像复原中，图像的先验模型起着非常重要的作用，利用自然图像的先验模型可以对真实解空间进行正则化约束，把不适定性问题转化为适定问题。本项目的研究在数字图像/视频增强、图像识别等方面具有重要应用价值。.本项目以稀疏正则化方法为出发点，重点针对图像修补、图像去运动模糊、图像去噪等问题进行研究。主要研究了以下几个方面的内容：①突破传统固定稀疏域的稀疏表示框架，提出局部自适应的稀疏表示优化方法，可更加精确刻画图像的局部结构。②针对目前字典学习使用通用的过完备字典所导致的计算效率、稀疏度低等问题，提出图像局部结构自适应子字典选择方法，提高了盲复原质量。③根据不同的图像块有不同的结构，它们的最优正则化约束也应该是不同的，提出基于局部均值的图像稀疏表示自适应正则化方法，能更好地描述图像的先验信息以获得更好的复原效果。.经过四年对本项目的研究，主要获得了以下科研成果：授权软件著作权7项；授权发明专利1项，发表学术论文23篇，其中SCI收录论文9篇，培养硕士研究生7名；晋升高级职称1人；参加国际学术会8次。