Total variation image deblurring with space-varying kernel
Total variation image deblurring with space-varying kernel
复制标题
DOI：
10.1007/s10589-017-9901-1
复制
发表时间：
2017-02
影响因子：
2.2
通讯作者：
D. O’Connor;L. Vandenberghe
中科院分区：
文献类型：
--
作者：
D. O’Connor;L. Vandenberghe
基于凸优化公式的图像去模糊技术，例如全变分去模糊，通常使用专门的一阶方法进行大规模不可微优化。在这些方法中利用的一个关键属性是模糊算子的空间不变性，这使得在求解涉及算子的线性方程时可以使用快速傅立叶变换（FFT）。在本文中，我们将这种方法扩展到两个流行的模型，空间变化的模糊算子，Nagy-O 'Leary模型和有效的过滤流模型。我们展示了如何分裂方法来自道格拉斯-Rachford算法可以实现低复杂度的每次迭代，占主导地位的少量的FFT。
Image deblurring techniques based on convex optimization formulations, such as total-variation deblurring, often use specialized first-order methods for large-scale nondifferentiable optimization. A key property exploited in these methods is spatial invariance of the blurring operator, which makes it possible to use the fast Fourier transform (FFT) when solving linear equations involving the operator. In this paper we extend this approach to two popular models for space-varying blurring operators, the Nagy–O’Leary model and the efficient filter flow model. We show how splitting methods derived from the Douglas–Rachford algorithm can be implemented with a low complexity per iteration, dominated by a small number of FFTs.