[论文解读] Blind PSF estimation and methods of deconvolution optimization

Yuriy Bunyak, Olga Sofina+1 more|arXiv (Cornell University)|Jun 15, 2012

Image and Signal Denoising Methods参考文献 27被引用 5

一句话总结

本文提出了一种盲去卷积方法，通过在原始图像与模糊图像之间共享自回归（AR）参数的条件下，利用自回归（AR）矩阵算子的零空间来估计点扩散函数（PSF）。该方法引入了两种迭代优化方案——基于平衡卷积/去卷积的动态正则化，以及在图像估计空间中的曲率正则化，实现了比现有方法更快的收敛速度，从而能够实现实时高分辨率图像序列重建。

ABSTRACT

We have shown that the left side null space of the autoregression (AR) matrix operator is the lexicographical presentation of the point spread function (PSF) on condition the AR parameters are common for original and blurred images. The method of inverse PSF evaluation with regularization functional as the function of surface area is offered. The inverse PSF was used for primary image estimation. Two methods of original image estimate optimization were designed basing on maximum entropy generalization of sought and blurred images conditional probability density and regularization. The first method uses balanced variations of convolution and deconvolution transforms to obtaining iterative schema of image optimization. The variations balance was defined by dynamic regularization basing on condition of iteration process convergence. The regularization has dynamic character because depends on current and previous image estimate variations. The second method implements the regularization of deconvolution optimization in curved space with metric defined on image estimate surface. It is basing on target functional invariance to fluctuations of optimal argument value. The given iterative schemas have faster convergence in comparison with known ones, so they can be used for reconstruction of high resolution images series in real time.

研究动机与目标

• 解决盲去卷积问题，即在PSF未知的情况下，需从模糊图像中估计PSF。
• 提升去卷积算法的收敛速度，以实现在高分辨率图像序列上的实时处理。
• 开发能够根据迭代优化过程中图像估计变化动态调整的正则化策略。
• 在仅依赖最少先验知识的前提下，实现对原始图像的精确重建。
• 建立一种基于AR算子结构特性和图像表面几何特性的PSF估计框架。

提出的方法

• 在原始图像与模糊图像共享AR参数的假设下，将PSF估计为AR矩阵算子左零空间的词典表示。
• 引入基于曲面面积的正则化泛函，以稳定逆PSF估计并抑制噪声放大。
• 第一种优化方法采用平衡的迭代卷积与去卷积变换，通过根据当前及前一时刻图像估计变化动态调节正则化，确保收敛性。
• 第二种方法在曲面空间中应用正则化，利用定义在图像估计曲面上的度量，保持目标泛函对微小波动的不变性。
• 两种方法均以迭代方案形式构建，通过持续优化图像估计，在保持稳定性的同时加速收敛。
• 算法设计计算高效，适用于图像序列的实时处理。

实验结果

研究问题

• RQ1 当原始图像与模糊图像共享AR参数时，能否可靠地从AR矩阵算子的零空间中估计PSF？
• RQ2 如何利用基于迭代变化的动态正则化来加速盲去卷积中的收敛？
• RQ3 在图像估计空间中采用基于曲率的正则化在多大程度上提升了稳定性与收敛速度？
• RQ4 所提方法在收敛速率与重建质量方面是否优于现有盲去卷积技术？
• RQ5 该框架是否具备足够的可扩展性与效率，以实现实时处理高分辨率图像序列？

主要发现

• 在原始图像与模糊图像共享AR参数的条件下，PSF可准确估计为AR矩阵左零空间的词典基。
• 所提出的动态正则化方案通过根据迭代图像估计变化平衡卷积与去卷积步骤，确保收敛。
• 基于曲率的正则化方法在小波动下保持目标泛函的不变性，提升了鲁棒性。
• 两种迭代优化方案相比已知方法均表现出更快的收敛速度，支持实时应用。
• 该方法在仅依赖有限先验信息的情况下，有效实现了从模糊图像序列中重建高分辨率图像。
• 基于曲面面积的正则化泛函有助于实现稳定的逆PSF估计并抑制噪声。