论文部分内容阅读
因为诸多因素的影响,图像在获取和传输过程中通常会降质,其典型表现是:模糊和有噪声。图像复原的目的是改善给定降质图像的质量,并尽可能地恢复出原始图像。反降晰和去除噪声是两类常见的图像复原问题。许多优秀的图像复原算法得到的估计值已经很接近原始未降质的图像,但在图像细节的处理上还有所欠缺。在实际图像中总有许多棱边和点构成的细节,而大多数复原算法的解过于平滑,从而导致这些纹理细节的丢失,损失了这些纹理就意味着损失了信息。为了在去除噪声和反降晰的同时保持好图像的纹理,本文做了以下主要工作:(1)针对噪声图像在去除噪声过程中保持图像纹理的复原问题,本文基于non-local means filter(NL-means filter)提出了一种改进算法。其基本思想是,用退化图像中所有像素点灰度值的加权平均来取代每一个相应像素点的灰度值。改进算法在计算权值时不仅用到了原算法比较邻域相似性的特点,还利用了图像中像素点灰度值的空间分布特性。通过大量的仿真实验,验证了改进算法能基本保持住图像的纹理和边缘,效果优于原NL-means算法,且原NL-means算法是本文改进算法的一个特例。(2)针对模糊图像在反降晰过程中保持图像纹理的复原问题,本文设计了一种保持图像纹理的反降晰算法(Texture-Preserving Image Deblurring,TPID)。该算法把反降晰的过程分为两步,首先采用Wiener滤波对模糊图像进行复原,得到一个对有用信号成分达到最小损失度的带噪结果,接着使用改进的NL-means算法来抑制泄露的有色噪声。该算法结合了Wiener滤波去除模糊快速、有效和改进NL-means算法抑制强噪、保持纹理的优点于一体,从而使得复原后的图像基本完好的保持了纹理。通过与其它优秀的反降晰算法的对比试验,证明了在保持图像纹理方面,本文算法的主观视觉评价和客观数值评价都比其他的方法好。为了提高算法的执行速度,我们在基于GPU(Graphic Process Unit)的CUDA(Compute Unified Device Architecture)编程模型上并行实现了该算法。实验结果显示的执行速度基本能满足实际应用需求。