加布里埃尔·里奥斯;鲁斯塔姆·乔克西;蒂姆·霍海塞尔;皮埃尔·马雷查尔;克里斯托弗·斯卡维利斯 图像去模糊平均方法的最大熵。 （英语） 兹比尔1497.68541 反向探测。 37，第1号，文章ID 015011，29 p.（2021）. 摘要：图像去模糊是一个非常具有挑战性的病态逆问题。近年来，基于图像层次上的正则化或基于机器学习技术，提出了多种方法。在本文中，我们将均值最大熵原理（MEM）应用于一般图像的反褶积和点扩展函数估计（盲去模糊）。这种方法将范式转向图像空间概率分布水平上的正则化，图像空间的期望是我们对基本真相的估计。我们对该方法进行了自包含的分析，将问题简化为求解一个可微的强凸有限维优化问题，该问题存在大量的黑盒解。MEM方法的优点在于其简单性、处理大模糊的能力以及泛化和修改的潜力。当图像嵌入符号（已知模式）时，我们将展示如何应用我们的方法来近似未知模糊核，并取得显著效果。 引用于5文件 MSC公司： 68单位10 图像处理的计算方法 65千5 数值数学规划方法 65兰特 积分方程反问题的数值方法 94A08型 信息与通信理论中的图像处理（压缩、重建等） 94甲17 信息的度量，熵 关键词：图像去模糊;平均值上的最大熵;Kullback-Leibler散度;凸分析;最优化;Fenchel-Rockafellar对偶 软件：LBFGS-B型;BM3D公司;时尚GAN;RecPF公司 PDF格式BibTeX公司 XML格式引用 \textit{G.Rioux}等人，《逆概率》。37，第1号，文章ID 015011，29 p.（2021；Zbl 1497.68541） 全文： 内政部 arXiv公司 参考文献： [1] Attouch H、Buttazzo G和Michaille G 2014 Sobolev和BV空间中的变分分析·Zbl 1311.49001号 ·doi:10.1137/1.9781611973488 [2] Banham M R和Katsaggelos A K 1996基于空间自适应小波的多尺度图像恢复IEEE Trans。图像处理。5 619-34·数字对象标识代码：10.1109/83.491338 [3] Beck A和Teboulle M 2009一种快速迭代收缩阈值算法，应用于基于小波的图像去模糊2009 IEEE声学、语音和信号处理国际会议693-6·doi:10.1109/ICASSP.2009.4959678 [4] Le Besnerais G、Bercher J-F和Demoment G 1999解决线性反问题的熵的新观点IEEE Trans。通知。神学45 1565-78·Zbl 0954.65033号 ·doi:10.1109/18.771159 [5] Le Besnerais G，Navaza J和Demement G 1991天文无线电干涉测量中的孔径合成，使用平均最大熵信号处理、图像处理和计算机视觉中的随机和神经方法1569 ed S-S Chen 386-95·数字对象标识代码：10.1117/12.48396 [6] Blomgren P，Chan T F，Mulet P和Wong C K 1997全变分图像恢复：数值方法和扩展程序。国际图像处理会议第3卷384-7·doi:10.1109/ICIP.1997.632128 [7] Bonnans J F和Shapiro A 2000优化问题的扰动分析（柏林：Springer）·兹伯利0966.49001 ·doi:10.1007/978-1-4612-1394-9 [8] Borwein J M和Lewis A S 1992部分有限凸规划，第一部分：拟相对内点和对偶理论数学。程序57 15-48·Zbl 0778.90049号 ·doi:10.1007/bf01581072 [9] Byrd R H，Lu P，Nocedal J和Zhu C 1995边界约束优化的有限记忆算法SIAM J.Sci。计算16 1190-208·Zbl 0836.65080号 ·doi:10.1137/0916069 [10] Cai J，Ji H，Liu C和Shen Z 2009使用稀疏近似从单个图像中进行盲运动去模糊2009 IEEE计算机视觉和模式识别会议104-11·doi:10.1109/CVPR.2009.5206743 [11] Cai J-F、Osher S和Shen Z 2009基于帧的图像去模糊的线性化bregman迭代SIAM J.Imaging Sci.2 226-52·Zbl 1175.94010号 ·doi:10.1137/080733371 [12] Chambolle A 2004总变异最小化算法及其应用J.数学。成像视力20 89-97·Zbl 1366.94048号 ·doi:10.1023/b:jmiv.0000011320.81911.38 [13] Chan T F和Wong C-K 1998年全变分盲反褶积IEEE Trans。图像处理7 370-5·数字对象标识代码：10.1109/83.661187 [14] Cheng J，Gao Y，Guo B和Zuo W 2019使用空间变异超拉丁美洲先验SIViP13 155-62进行图像恢复·doi:10.1007/s11760-018-1340-7 [15] Cho H、Wang J和Lee S 2012使用文本特定属性的文本图像去模糊2012欧洲计算机会议Visionvol 7576 524-37·doi:10.1007/978-3-642-33715-4_38 [16] Cho S和Lee S 2009快速动作去模糊ACM Trans。图28 1-8·数字对象标识代码：10.1145/1618452.1618491 [17] Cho S、Wang J和Lee S 2011处理非盲图像反褶积中的异常值2011 IEEE国际计算机视觉会议1-8·doi:10.1109/ICCV.2011.6126280 [18] Conway J B 2007函数分析课程（柏林：施普林格）·doi:10.1007/978-1-4757-4383-8 [19] Cover T M和Thomas J A 2006信息理论要素（纽约：Wiley）·兹比尔1140.94001 [20] Dabov K、Foi A、Katkovnik V和Egiazarian K 2008通过稀疏3D变换域协同过滤图像处理恢复图像：算法和系统VIvol 6812 ed J T Astola、K O Egiazerian和E R Dougherty 62-73 [21] Dacunha-Castelle D和Gamboa F 1990年最大熵和力矩问题Ann.Probab。统计数字26 567-96·Zbl 0788.62007号 [22] Danielyan A、Katkovnik V和Egiazarian K 2012 Bm3d帧和变分图像去模糊IEEE Trans。图像处理.21 1715-28·Zbl 1373.94096号 ·doi:10.1109/tip.2011.2176954 [23] Daubechies I，Defrise M和De Mol C 2004具有稀疏约束Commun的线性反问题的迭代阈值算法。纯应用程序。数学57 1413-57·Zbl 1077.65055号 ·doi:10.1002/cpa.20042 [24] Decarreau A、Hilhorst D、Lemaréchal C和Navaza J 1992熵最大化的对偶方法。应用于晶体学中的一些问题SIAM J.Optim.2 173-97·Zbl 0805.49022号 ·doi:10.1137/0802010年 [25] Deuschel J-D和Strock D W 1989大偏差（纽约：学术版）·Zbl 0705.60029号 [26] Dobson D C和Santosa F 1996从噪声和模糊数据中恢复块状图像SIAM J.Appl。数学56 1181-98·Zbl 0858.68121号 ·doi:10.1137/s0036139999427560x [27] Dong W，Zhang L，Shi G和Li X 2013图像恢复的非局部集中稀疏表示IEEE Trans。图像处理22 1620-30·Zbl 1373.94104号 ·doi:10.1109/tip.2012.2235847 [28] Dong W，Zhang L，Shi G和Wu X 2011通过自适应稀疏域选择和自适应正则化IEEE Trans进行图像去模糊和超分辨率。图像处理20 1838-57·Zbl 1372.94072号 ·doi:10.1109/TIP.2011.2108306 [29] Elad M、Figueiredo M A T和Ma Y 2010关于稀疏和冗余表示在图像处理过程中的作用。IEEE98 972-82标准·doi:10.1109/jproc.2009.2037655 [30] Fadili J M和Starck J-L 2006通过迭代阈值天文数据分析ADA'06基于稀疏表示的图像反褶积 [31] Figueiredo MA T和Nowak R D 2003基于小波的图像恢复的em算法IEEE Trans。图像处理12 906-16·兹比尔1279.94015 ·doi:10.1109/tip.2003.814255 [32] Folland G B 1999 Real Analysis：现代技术及其应用（纽约：Wiley）·Zbl 0924.28001号 [33] Gamboa F 1989最大熵方法及其应用博士论文 [34] Goldstein T和Osher S 2009用于l1-正则化问题的分裂bregman方法SIAM J.成像科学2 323-43·Zbl 1177.65088号 ·doi:10.1137/080725891 [35] Goodfellow I、Pouget Abadie J、Mirza M、Xu B、Warde Farley D、Ozair S、Courville A和Bengio Y 2014生成对抗性网络Proc。神经信息处理系统国际会议2672-80 [36] Heinrich C、Bercher J-F和Demoment G，1996年，平均值方法的最大熵、相关性和实现问题研讨会最大熵和贝叶斯方法（Dordrecht:Kluwer）52-61 [37] Hu Z，Huang J和Yang M 2010自适应字典学习的单图像去模糊2010 IEEE图像处理国际会议1169-72·doi:10.1109/ICIP.2010.5651892 [38] Jaynes E T 1957信息理论和统计力学物理学。修订版106 620-30·Zbl 0084.43701号 ·doi:10.1103/physrev.106.620 [39] Jaynes E T 1957信息理论和统计力学。II物理。修订版108 171-90·Zbl 0084.43701号 ·doi:10.1103/physrev.108.171 [40] Joshi N、Szeliski R和Kriegman D J 2008使用锐边预测进行Psf估计2008 IEEE计算机视觉和模式识别会议1-8·doi:10.1109/CVPR.2008.4587834 [41] Karras T、Laine S和Aila T 2019生成性对抗网络的基于样式的生成器架构2019 IEEE/CVF计算机视觉和模式识别会议4396-405 [42] Kim S、Koh K、Lustig M和Boyd S 2007压缩感知的有效方法2007 IEEE图像处理国际会议vol 3 117-20·doi:10.1109/ICIP.2007.4379260 [43] Krishnan D、Tay T和Fergus R 2011使用归一化稀疏性度量进行盲反褶积2011 IEEE计算机视觉和模式识别会议233-40 [44] Kupyn O、Budzan V、Mykhailych M、Mishkin D和Matasi J 2018 DeblurGAN:使用条件对抗网络的盲运动去模糊2018 IEEE计算机视觉和模式识别大会8183-92 [45] Levin A、Fergus R、Durand F和Freeman W T 2007使用编码孔径ACM-Trans的传统相机拍摄的图像和深度。图26 70·数字对象标识代码：10.1145/1276377.1276464 [46] Levin A、Weiss Y、Durand F和Freeman W T 2009理解和评估反褶积算法2009 IEEE计算机视觉和模式识别大会1964-71·doi:10.1109/CVPR.2009.5206815 [47] Liu J、Yan M和Zeng T 2019表面软件盲图像去模糊IEEE Trans。模式分析。马赫。智力。1 ·doi:10.1109/tpami.2019.2941472 [48] Mairal J、Sapiro G和Elad M 2008学习图像和视频恢复的多尺度稀疏表示多尺度模型。模拟7 214-41·Zbl 1194.49041号 ·doi:10.1137/070697653 [49] Maréchal P 1999关于均值最大熵原理作为反问题正则化方法的概率论和数理统计ed B Grigelionis pp 481-92·Zbl 0990.65058号 [50] Maréchal P和Lannes A 1997通过平均反问题的最大熵原理统一求解线性反问题的一些确定性和概率方法13 135-51·Zbl 0868.65032号 ·doi:10.1088/0266-5611/13/011 [51] Nagy J G和O’Leary D P 1998恢复因空间变化模糊而退化的图像SIAM J.Sci。计算19 1063-82·Zbl 0919.65091号 ·doi:10.1137/s106482759528507x [52] Nah S、Kim T H和Lee K M 2017动态场景去模糊深度多尺度卷积神经网络2017 IEEE计算机视觉和模式识别会议3883-91 [53] Narayan R和Nityananda R 1986年天文学年度最大熵图像恢复。阿斯顿牧师。天体物理学24 127-70·doi:10.1146/anurev.aa.24.090186.001015 [54] Navaza J 1985关于电子密度函数Acta Crystalogr的最大熵估计。甲41 232-44·doi:10.1107/s0108767385000526 [55] Navaza J 1986最大熵电子密度重建中非局部约束的使用Acta Crystalogr。甲42 212-23·doi:10.1107/s0108767386099397 [56] Ng M K，Chan R H和Tang W-C 1999一种用于neumann边界条件下去模糊模型的快速算法SIAM J.Sci。计算21 851-66·Zbl 0951.65038号 ·doi:10.1137/s1064827598341384 [57] Nimisha T M、Singh A K和Rajagopalan A N 2017盲解模糊的模糊不变深度学习2017 IEEE计算机视觉国际会议4762-70 [58] Noll D 1997用最大熵J.Glob恢复退化图像。最佳10 91-103·Zbl 0871.68189号 ·doi:10.1023/a:1008206503818 [59] Noroozi M、Chandramouli P和Favaro P 2017《野外运动消除模糊》（柏林：施普林格出版社）第65-77页 [60] Pan J，Hu Z，Su Z和Yang M 2014年IEEE计算机视觉和模式识别大会之前，通过l0-正则化强度和梯度消除文本图像模糊2901-8·doi:10.1109/CVPR.2014.371 [61] Pan J、Hu Z、Su Z和Yang M-H 2014年欧洲计算机视觉会议（柏林：施普林格）47-62 [62] Pan J、Hu Z、Su Z和Yang M-H 2017 L0-在消除文本图像模糊之前以及IEEE Trans之外的正则化强度和梯度。模式分析。马赫。智力39 342-55·doi:10.1109/tpami.2016.2551244 [63] Pan J、Sun D、Pfister H和Yang M-H 2016年2016年IEEE计算机视觉和模式识别大会之前使用暗通道进行盲图像去模糊1628-36 [64] Perrone D和Favaro P 2015盲反褶积之前的对数图像国际计算杂志。见117 159·Zbl 1398.94046号 ·doi:10.1007/s11263-015-0857-2 [65] Perrone D和Favaro P 2016全变分盲反褶积IEEE Trans。模式分析。马赫。情报38 1041-55·doi:10.1109/tpami.2015.2477819 [66] Ramakrishnan S、Pachori S、Gangopadhyay A和Raman S 2017运动去模糊深度生成滤波器2017 IEEE国际计算机视觉会议2993-3000 [67] Ren W，Cao X，Pan J，Guo X，Zuo W和Yang M-H 2016通过增强的低秩先验IEEE Trans。图像处理25 3426-37·Zbl 1408.94557号 ·doi:10.10109/天.2016.2571062 [68] Rioux G、Scarvelis C、Choksi R、Hoheisel T和Maréchal P 2019通过Kullback-Leibler发散IEEE Trans对条形码进行盲去模糊。模式分析。马赫。智能43 1·doi:10.10109/TPAMI.2019.2927311 [69] Rockafellar R T 1970凸分析（新泽西州普林斯顿：普林斯顿大学出版社）·Zbl 0932.90001号 ·doi:10.1515/9781400873173 [70] Rockafellar R T和Wets R J-B 2009年变分分析（柏林：施普林格） [71] Rohatgi V K和Saleh A K M D E 2001概率统计导论（纽约：Wiley）·Zbl 0969.62002号 [72] Rudin L I、Osher S和Fatemi E 1992非线性全变分噪声去除算法Physica D 60 259-68·Zbl 0780.49028号 ·doi:10.1016/0167-2789（92）90242-f [73] Rudin L I和Osher S 1994具有自由局部约束的基于全变差的图像恢复。图像处理第一届国际会议第1卷第31-5页·doi:10.1109/ICIP.1994.413269 [74] Rudin W 1987 Real and Complex Analysis（纽约：McGraw-Hill）·Zbl 0925.00005 [75] Schuler C J、Burger H C、Harmeling S和Schölkopf B 2013非盲图像反褶积的机器学习方法2013 IEEE计算机视觉和模式识别会议1067-74·doi:10.1109/CVPR.2013.142 [76] Schuler C J、Hirsch M、Harmeling S和Schölkopf B 2015学习消除IEEE Trans的模糊。模式分析。马赫。情报38 1439-51·doi:10.1109/TPAMI.2015.2481418 [77] Shan Q、Jia J和Agarwala A 2008从单个图像中去除高质量运动模糊ACM SIGGRAPH 2008论文，SIGGRAP'08（纽约：计算机协会）·数字对象标识代码：10.1145/1399504.1360672 [78] Shi M，Han T和Liu S 2016使用超最小二乘先验和重叠组稀疏信号处理恢复全变差图像。126 65-76·doi:10.1016/j.sigpro.2015.11.022 [79] Shore J 1981最小交叉熵谱分析IEEE Trans。阿库斯特。语音信号处理29 230-7·Zbl 0543.62076号 ·doi:10.1109/tassp.1981.1163539 [80] Skilling J和Bryan R K 1984最大熵图像重建：通用算法Mon。不是。R.天文学家。社会211 111·Zbl 0542.94012 ·doi:10.1093/mnras/211.1.111 [81] Soulez F、Thiébaut E和Denis L 2013使用光谱变化模糊度恢复高光谱天文数据EAS Publ。序列59 403-16·doi:10.1051/eas/1359018 [82] Starck J-L，Nguyen M K和Murtagh F 2003图像去卷积的小波和曲线：一种组合方法信号处理83 2279-83·Zbl 1145.94329号 ·doi:10.1016/s0165-1684（03）00150-6 [83] Sun J，Cao W，Xu Z和Ponce J 2015学习用于非均匀运动模糊去除的卷积神经网络2015 IEEE计算机视觉和模式识别会议769-77 [84] Tao X，Gao H，Shen X，Wang J和Jia J 2018深度图像去模糊的尺度递归网络2018 IEEE计算机视觉和模式识别大会8174-82 [85] Tikhonov A N和Arsenin V Y 1977不良问题的解决方案·Zbl 0354.65028号 [86] Tzeng J，Liu C-C和Nguyen T Q 2010流体镜头相机基于颜色相关性的Contourlet域多频带去模糊IEEE Trans。图像处理19 2659-68·Zbl 1371.94378号 ·doi:10.1109/tip.2010.2049237 [87] Urban B 1996使用最大熵法卫星测量反演大气热力学参数反问题12 779-96·Zbl 0857.62105号 ·doi:10.1088/0266-5611/12/5/017 [88] van Gennip Y、Athavale P、Gilles J和Choksi R 2015 qr条码盲去模糊和去噪的正则化方法IEEE Trans。图像处理24 2864-73·Zbl 1408.94657号 ·doi:10.1109/tip.2015.2432675 [89] Wang M，Liu J和Fang E X 2017加速随机成分优化J.Mach。学习。决议18 1-23·Zbl 1441.62217号 ·doi:10.5555/3122009.3176849 [90] Wang Y，Yang J，Yin W和Zhang Y 2008全变分图像重建的一种新的交替最小化算法SIAM J.Imaging Sci.1 248-72·Zbl 1187.68665号 ·doi:10.1137/080724265 [91] Wu J和Di X 2020将神经网络集成到盲去模糊框架中，以与基于端到端学习的方法IEEE Trans竞争。图像处理29 6841-51·Zbl 07586366号 ·doi:10.1109/tip.2020.2994413 [92] Xu L和Jia J 2010鲁棒运动去模糊的两阶段核估计（柏林：：Springer）157-70 [93] Xu L，Zheng S和Jia J 2013自然图像去模糊的非自然l0稀疏表示2013 IEEE计算机视觉和模式识别会议1107-14·doi:10.1109/CVPR.2013.147 [94] Xu L，Lu C，Xu Y和Jia J 2011通过L 0梯度最小化ACM Trans进行图像平滑。图30 1-12·doi:10.1145/2070781.2024208 [95] Xu S，Yang X和Jiang S 2017用于图像去噪信号处理的快速非局部集中稀疏表示算法。131 99-112·doi:10.1016/j.sigpro.2016.08.006 [96] Yair N和Michaeli T 2018多尺度加权核规范图像恢复2018 IEEE/CVF计算机视觉和模式识别会议3165-74·doi:10.1109/CVPR.2018.00334 [97] Yan Y、Ren W、Guo Y、Wang R和Cao X 2017 2017年IEEE计算机视觉和模式识别大会之前通过极端通道进行图像去模糊6978-86 [98] You Y和Kaveh M 1996各向异性盲图像恢复程序。第三届IEEE图像处理国际会议第2卷461-4 [99] You Y和Kaveh M 1996联合模糊识别和图像恢复的正则化方法IEEE Trans。图像处理。5 416-28·doi:10.1009/83.491316 [100] Yuan L、Sun J、Quan L和Shum H-Y 2007使用模糊/噪声图像对ACM Trans进行图像去模糊。图26 1·doi:10.145/1276377.1276379 [101] Z'linescu C 2002一般向量空间中的凸分析（新加坡：世界科学）·Zbl 1023.46003号 ·doi:10.1142/5021 [102] Zoran D和Weiss Y 2011从自然图像补丁学习模型到整体图像恢复2011 IEEE国际计算机视觉会议479-86·doi:10.1109/ICCV.2011.6126278 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。