图像去模糊的MAP估计与收敛分析
1. PSF正则化因子范围
PSF正则化因子 $\lambda_k$ 的范围可表示为:
$\frac{\lambda_x E(R_x)}{R_{k_{max}}} < \lambda_k < \beta \frac{\lambda_x E(R_x)}{R_{k_{max}}}$
其中 $\beta > 1$ 是一个经验选择的因子。当 $\beta \to 1$ 时,估计的PSF趋于平均滤波器。
传统上,正则化因子通常使用交叉验证方法进行估计,但这种方法需要以正则化因子为变量优化成本函数,计算量很大。而这里直接确定范围,基于当PSF趋于二维离散脉冲时,PSF正则化的效果必须主导图像正则化的效果这一事实,避免了交叉验证技术的计算开销。
2. 图像先验的选择
在实验中考虑了两种图像先验:
- 二次上界总变差(Quadratic Upper Bounded TV) :
- 其表达式为 $QTV(x, x^{(i)}) = x^T D^T \Omega^{(i)} Dx + K(x^{(i)})$。
- 作为图像和PSF的正则化项,由于它依赖于先前的值 $x^{(i)}$,成本函数在每次迭代时都会改变。使用交替最小化(AM)算法时,外循环会自动处理这种更新。
- 数据拟合项是 $y - Kx$ 的 $l_2$ 范数,结合近似的TV作为图像和PSF的正则化项,成本函数为:
$C_{TV}(x, k) = | y - Kx |^2 + \lambda_x x^T D^T \Omega^{(i)} x D
订阅专栏 解锁全文
551



被折叠的 条评论
为什么被折叠?



