图像反卷积

来自D. Krishnan， R. Fergus中提到的方法 The Matlab functions in this directory solve the deconvolution problem in the paper D. Krishnan， R. Fergus: "Fast Image Deconvolution using Hyper-Laplacian Priors"， Proceedings of NIPS 2009.

function [yout] = fast_deconv（yin k lambda alpha yout0）
%
%
% fast_deconv solves the deconvolution problem in the paper （see Equation （1））
% D. Krishnan R. Fergus: “Fast Image Deconvolution using Hyper-Laplacian
% Priors“ Proceedings of NIPS 2009.
%
% This paper and the code are related to the work and code of Wang
% et. al.:
%
% Y. Wang J. Yang W. Yin and Y. Zhang “A New Alternating Minimization
% Algorithm for Total Variation Image Reconstruction“ SIAM Journal on
% Imaging Sciences 1（3）: 248:272 2008.
% and their FTVd code. 
  
% Input Parameters:
%
% yin: Observed blurry and noisy input grayscale image.
% k:  convolution kernel
% lambda: parameter that balances likelihood and prior term weighting
% alpha: parameter between 0 and 2
% yout0: if this is passed in it is used as an initialization for the
% output deblurred image; if not passed in then the input blurry image
% is used as the initialization
%
%
% Outputs:
% yout: solution
% 
% Note: for faster LUT interpolation please download and install
% matlabPyrTools of Eero Simoncelli from
% www.cns.nyu.edu/~lcv/software.php. The specific MeX function required
% is pointOp （used in solve_image.m）.
%
% Copyright （C） 2009. Dilip Krishnan and Rob Fergus
% Email: dilipfergus@cs.nyu.edu

% continuation parameters
beta = 1;
beta_rate = 2*sqrt（2）;
beta_max = 2^8;

% number of inner iterations per outer iteration
mit_inn = 1;

[m n] = size（yin）; 
% initialize with input or passed in initialization
if （nargin == 5）
  yout = yout0;
else
  yout = yin; 
end;

% make sure k is a odd-sized
if （（mod（size（k 1） 2） ~= 1） | （mod（size（k 2） 2） ~= 1））
  fprintf（‘Error - blur kernel k must be odd-sized.\n‘）;
  return;
end;
ks = floor（（size（k 1）-1）/2）;

% compute constant quantities
% see Eqn. （3） of paper
[Nomin1 Denom1 Denom2] = computeDenominator（yin k）;

% x and y gradients of yout （with circular boundary conditions）
% other gradient filters may be used here and their transpose will then need to
% be used within the inner loop （see comment below） and in the function
% computeDenominator
youtx = [diff（yout 1 2） yout（:1） - yout（:n）]; 
youty = [diff（yout 1 1）; yout（1:） - yout（m:）]; 

% store some of the statistics
costfun = [];
Outiter = 0;

%% Main loop
while beta < beta_max
    Outiter = Outiter + 1; 
    fprintf（‘Outer iteration %d; beta %.3g\n‘Outiter beta）;
    
    gamma = beta/lambda;
    Denom = Denom1 + gamma*Denom2;
    Inniter = 0;

    for Inniter = 1:mit_inn
      
      if （0）
        %%% Compute cost function - uncomment to see the original
        % minimization function costs at every iteration
        youtk = conv2（yout k ‘same‘）;
        % likelihood term
        lh = sum（sum（（youtk - yin）.^2 ））;
        
        if （alpha == 1）
          cost = （lambda/2）*lh +  sum（abs（youtx（:））） + sum（abs（youty（:）））;
        else
          cost = （lambda/2）*lh +  sum（abs（youtx（:））.^

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2012-08-14 10:18  fastdeconv\
     文件     2158368  2009-12-01 11:21  fastdeconv\dsc_0085.jpg
     文件        4694  2010-01-02 01:48  fastdeconv\fast_deconv.m
     文件        2175  2009-12-02 03:50  fastdeconv\kernels.mat
     文件        2135  2010-01-02 01:41  fastdeconv\README.txt
     文件         712  2009-12-01 11:43  fastdeconv\snr.m
     文件        6057  2009-12-02 03:07  fastdeconv\solve_image.m
     文件        1912  2010-01-02 01:37  fastdeconv\test_fast_deconv.m