基于MATLAB的压缩图像恢复与去伪影系统

资 源 简 介

本项目通过MATLAB实现一套针对压缩失真图像的恢复算法，旨在修复图像在有损压缩（如JPEG、MPEG）过程中产生的块效应、振铃现象以及纹理细节丢失。程序的核心功能是通过空域与频域的联合处理对压缩后的低质图像进行质量补强。首先，算法会对输入的压缩图像进行预处理，自动检测分块编码产生的边界跳变规律，利用自适应去块滤波器在平滑人工伪影的同时保护图像的重要边缘。其次，系统采用了基于全变分（Total Variation）正则化或压缩感知重构的迭代模型，通过在重构过程中引入原始图像的先验统计特征，从残余的变换系数

详 情 说 明

压缩图像恢复与去伪影系统 README

项目介绍

本系统是一款基于MATLAB开发的图像修复工具，专门针对有损压缩（如JPEG格式）带来的质量退化问题。当图像在高压缩比下传输或存储时，通常会出现明显的方块效应（Blocking）、边缘振铃人工伪影（Ringing）以及细节丢失。本系统集成了一套完整的模拟、滤波与重构算法，通过空域自适应滤波与全变分（Total Variation）正则化迭代处理，有效提升低画质图像的清晰度和结构完整性，重构出更接近原始高保真状态的图像。

功能特性

1. 真实压缩降质模拟：系统内置标准JPEG亮度量化模型，可根据用户定义的质量因子自动模拟图像降质过程。
2. 自适应空间去块滤波：针对编码块边界进行智能检测，在平滑人工方块干扰的同时，通过阈值判断机制保护图像的固有边缘。
3. 全变分（TV）迭代恢复：引入图像先验统计特征，利用正则化模型从残余量化系数中恢复丢失的高频成分。
4. 多维度定量评价：集成PSNR（峰值信噪比）与SSIM（结构相似性指数）双重评价指标，直观反映修复质量。
5. 结果可视化分析：自动生成原始图、压缩图、恢复图以及放大的残数对比图，辅助用户分析修复细节。

实现逻辑说明

程序的运行遵循从“降质模拟”到“分阶段修复”再到“量化评估”的闭环流程，具体逻辑如下：

1. 图像预处理与模拟：

程序首先加载测试图像，并将其尺寸调整为8x8像素块的整数倍。随后，利用Discrete Cosine Transform (DCT) 变换将图像转换到频域。系统根据设定的质量因子生成相应的量化矩阵，对DCT系数进行量化处理以模拟由于高频丢弃导致的图像压缩。

1. 空间域自适应去块：

这是修复的第一阶段。算法遍历图像中所有8x8编码块的水平和垂直边界。程序会通过计算边界像素的跳变值并对比阈值，判断该处是否为压缩产生的伪影。若判定为伪影，则应用一个3抽头平滑滤波器（权重分配为0.2/0.6/0.2）进行边缘修复。

1. 全变分（TV）正则化重构：

这是修复的核心阶段。系统将去块后的图像作为初始值，建立最小化能量函数。该函数由两部分组成：数据保真项（保持与输入图像相似）和TV正则化项（鼓励图像分片平滑）。程序通过计算各向异性梯度的散度（Divergence），并结合设定的步长和权重进行梯度下降迭代，从而在抑制噪声的同时强化边缘。

1. 评价与展示：

修复完成后，系统会自动计算恢复图像与原始图像之间的PSNR和SSIM数值，并输出至控制台。最后，通过图形界面展示四维对比效果，包括专门放大了5倍的残余误差图，用以观察细节重构的准确度。

算法与关键技术分析

1. 自适应量化模型：采用标准的JPEG亮度量化矩阵Q，并引入缩放因子S，实现了从极致压缩到高保真的全量程模拟，确保了后续修复算法的输入具备典型压缩失真特征。

1. 空域边界修复：该技术不进行全图平滑，而是精确锁定8x8的编码边界。滤波器的系数设计兼顾了去块效果与计算效率，有效解决了视觉上最明显的“阶梯感”。

1. 基于梯度的TV求解：利用图像的一阶导数（dfdx, dfdy）计算特征，通过引入极小量防止分母为零。该方法能有效利用自然图像的稀疏梯度分布先验，在去除振铃伪影方面表现优异。

1. 结构相似性（SSIM）计算：不同于仅关注像素误差的PSNR，系统实现的SSIM函数从亮度、对比度和结构三个维度综合判断恢复效果，更符合人眼视觉感知。

系统要求

1. 环境要求：MATLAB R2016b 或更高版本。
2. 必备工具箱：Image Processing Toolbox（图像处理工具箱）。
3. 硬件建议：4GB以上内存，支持图形化输出显示。

使用方法

1. 打开MATLAB，将工作目录指向程序文件所在文件夹。
2. 运行主函数。
3. 系统将自动执行压缩模拟与三阶段修复流程。
4. 查看命令行窗口输出的PSNR/SSIM对比报告。
5. 在弹出的可视化窗口中观察各阶段图像的处理细节和残差表现。
6. 可通过修改程序顶部的 quality_factor（质量因子）或 tv_weight（正则化权重）等参数，观察不同执行策略下的预测效果。