目录
图像复原技术分类(Taxonomy of image restoration techniques.)
1. 基于图像处理的方法 (Image Processing-based Methods)
1.1 扩散模型 (Diffusion-based Methods)
1.2 滤波器方法 (Filtering-based Methods)
1.3 变换方法 (Transformation-based Methods)
1.4 特征导向方法 (Feature-oriented Methods)
1.5 融合方法 (Fusion-based Methods)
1.6 基于模糊逻辑的方法 (Fuzzy Logic-based Methods)
1.7 基于颜色的方法 (Color-based Methods)
1.8 统计方法 (Statistical Methods)
1.9 生物启发式算法 (Bio-inspired Algorithms)
2. 基于机器学习的方法 (Machine Learning-based Methods)
3. 基于深度学习的方法 (Deep Learning-based Methods)
3.1 深度图像先验 (Deep Image Prior, DIP)
3.3 端到端展开网络 (End-to-end Unrolled Networks)
3.4 编码器-解码器模型 (Encoder-Decoder Models)
3.7 翻译网络 (Translation Networks)
3.8 分层网络 (Hierarchical Networks)
基本信息
标题:Recent progress in digital image restoration techniques: A review
作者:Aamir Walia, Asma Naseer, Maria Tamoor, S.A.M. Gilani
发表年份:2023
期刊:Digital Signal Processing
DOI:Redirecting
Summary
文章将图像恢复技术分为三类:基于图像处理的、基于机器学习的和基于深度学习的。对于每一类,文章都回顾了近年来提出的各种方法。此外,文章还总结了用于图像恢复的数据集,并提供了基线参考,供未来研究人员比较和改进他们的结果。文章还提出了一些有趣的研究方向。
在图像处理方法方面,文章讨论了基于扩散、滤波、变换、特征导向、融合、颜色、统计和生物启发式技术的图像恢复方法。在机器学习方法方面,文章回顾了神经网络、支持向量机、遗传算法和总变分方法在图像恢复中的应用。在深度学习方法方面,文章讨论了卷积神经网络(CNN)、变换器、编码器-解码器模型、生成对抗网络(GAN)等模型在图像恢复中的作用。
文章还提出了一些未来研究的方向,包括处理具有多种失真的图像、使用神经网络进行图像去模糊、使用多个图像先验、按需学习、实时图像应用、增加神经网络和卷积神经网络模型的数据集大小、使用变换器模型、使用最新的GANs以及优化遗传算法等。
图像复原技术分类(Taxonomy of image restoration techniques.)
1. 基于图像处理的方法 (Image Processing-based Methods)
1.1 扩散模型 (Diffusion-based Methods)
- 模拟光在不同介质中的传播和散射,用于处理如皮肤成像等场景中的光散射问题。
1.2 滤波器方法 (Filtering-based Methods)
- 空间滤波器:直接在图像的空间域上操作,如使用高斯滤波器去噪。
- 频率域滤波器:在图像的频率域(如傅里叶域)上应用滤波器,然后转换回空间域。
- 决策滤波器:结合多种技术,如k均值聚类和主成分分析(PCA),用于图像恢复。
- 混合滤波器:结合多种滤波器的优点,以提高图像恢复的效果。
1.3 变换方法 (Transformation-based Methods)
- 快速傅里叶变换 (FFT):使用FFT在频率域中处理图像,然后应用逆FFT转换回空间域。
- 小波变换:使用小波变换在多尺度上分析图像,适用于去噪和特征提取。
- 表面波变换 (Surfacelet Transform):一种多分辨率变换,用于捕捉图像的局部特征。
1.4 特征导向方法 (Feature-oriented Methods)
- 自相似特征 (Self-Similarity Features):利用图像的自相似性来指导恢复过程,如在图像盲恢复中。
- 边缘增强对齐技术 (Edge-Boosting Alignment):通过增强边缘信息来提高图像对齐的准确性。
1.5 融合方法 (Fusion-based Methods)
- 伪突发特征融合机制 (Pseudo-Burst Feature Fusion):用于处理连续拍摄的图像序列,以提高图像质量。
- 适应性上采样模块:用于在图像恢复过程中调整图像分辨率。
1.6 基于模糊逻辑的方法 (Fuzzy Logic-based Methods)
- 噪声去除滤波器:应用模糊逻辑规则来识别和去除图像中的噪声。
1.7 基于颜色的方法 (Color-based Methods)
- 颜色线模型:基于颜色空间的模型,用于处理颜色相关的图像退化。
- 颜色平衡算法 (Color Balance Algorithm):调整图像的颜色平衡,以改善视觉效果。
1.8 统计方法 (Statistical Methods)
- 暗通道先验 (Dark Channel Prior):利用图像的暗通道信息来估计背景光和恢复图像。
1.9 生物启发式算法 (Bio-inspired Algorithms)
- 优化技术:使用生物启发式的优化算法,如遗传算法,来优化图像恢复过程。
2. 基于机器学习的方法 (Machine Learning-based Methods)
2.1 神经网络 (Neural Networks)
- 卷积神经网络 (CNN):使用卷积层提取图像特征,用于图像去模糊和去噪。
- 支持向量机 (SVM):通过构建分类器来处理图像恢复任务,如图像去噪。
- 遗传算法 (Genetic Algorithms):模拟自然选择过程来优化图像恢复中的参数。
2.2 其他机器学习技术
- 全变分 (Total Variation, TV):使用TV正则化来解决图像去噪问题,通过稀疏优化技术实现。
3. 基于深度学习的方法 (Deep Learning-based Methods)
3.1 深度图像先验 (Deep Image Prior, DIP)
- 使用未训练的深度网络作为图像先验,用于指导图像恢复过程。
3.2 卷积神经网络 (CNN)
- CNN是深度学习中最常见的模型,用于提取图像特征并进行恢复。
3.3 端到端展开网络 (End-to-end Unrolled Networks)
- 结合深度学习和先验知识,通过迭代过程学习图像恢复的映射。
3.4 编码器-解码器模型 (Encoder-Decoder Models)
- 编码器用于提取图像特征,解码器用于重建图像。
3.5 Transformer模型
- 基于自注意力机制的模型,能够捕捉图像中的长距离依赖关系。
3.6 生成对抗网络 (GAN)
- 由生成器和判别器组成的网络,用于生成高质量的图像。
3.7 翻译网络 (Translation Networks)
- 用于处理图像域之间的转换,如风格迁移。
3.8 分层网络 (Hierarchical Networks)
- 通过分层结构处理图像,适用于复杂图像恢复任务。
4.数据集 (Datasets)
- 合成数据集:通过模拟退化过程生成的数据集,用于训练和测试。
- 实际数据集:从现实世界场景中收集的图像,用于验证模型的泛化能力。