基于自适应稀疏域选择与正则化的图像复原系统(ASDS-AR)

资 源 简 介

本项目完整实现了IEEE Transactions on Image Processing (TIP) 2010年经典论文"Image Deblurring and Super-Resolution by Adaptive Sparse Domain Selection and Adaptive Regularization"中提出的图像复原算法。该项目主要用于解决病态的图像反问题，具体包括图像去模糊（Deblurring）和单幅图像超分辨率（Super-Resolution）。算法的核心理念在于突破传统稀疏表示模型中使用单一固定字典或全局字典的局限性，采用自适应稀疏域选择（ASDS）策略。系统首先分析图像的局部几何结构，利用聚类算法将图像块分为不同的结构组，并针对每一组训练特定的紧凑PCA子字典。在图像重建阶段，算法根据待恢复图像块的特征，自适应地选择最佳匹配的子字典进行稀疏编码，从而更精确地表示图像的边缘和纹理细节。此外，项目集成了自适应正则化（AR）技术，这是一种基于图像局部平滑性和非局部自相似性的约束项，旨在优化求解过程中的反卷积和上采样操作，有效抑制振铃效应（ringing artifacts）和噪声放大。整个重建过程通过迭代收缩算法进行最优化求解，能够在保留图像锐利边缘的同时去除模糊和噪声，显著提升图像的主观视觉质量和客观评价指标（PSNR/SSIM）。

详 情 说 明

基于自适应稀疏域选择与正则化的图像复原系统 (ASDS-AR)

项目简介

本项目是一个基于MATLAB实现的图像复原系统，完整复现了IEEE Transactions on Image Processing (TIP) 2010年经典论文中的核心算法——ASDS-AR (Adaptive Sparse Domain Selection and Adaptive Regularization)。

该系统旨在解决图像处理中的病态反问题，特别是图像去模糊（Deblurring）与去噪。算法区别于传统使用全局固定字典的方法，采用自适应稀疏域选择（ASDS）策略，即根据图像局部的几何结构特征，动态选择最匹配的紧凑PCA子字典进行稀疏编码。同时，引入自适应正则化（AR）项，利用局部方差估计来动态调整收缩阈值，从而在有效抑制振铃效应和噪声的同时，最大程度地保留图像的边缘与纹理细节。

功能特性

• 全流程模拟：包含从原始图像读取、高斯模糊与噪声退化模拟，到最终图像复原的完整闭环。
• 自适应子字典学习：实现基于K-Means聚类和主成分分析（PCA）的局部结构学习，为不同纹理特征的图像块构建专属字典。
• 自适应稀疏编码：根据图像块的结构特征，自动选取最佳子字典进行稀疏表示。
• 自适应正则化（AR）：基于图像局部方差（Local Variance）动态计算正则化阈值，实现平滑区域去噪与边缘区域细节保留的平衡。
• 迭代收缩重建：采用迭代收缩阈值算法（Iterative Shrinkage/Thresholding）求解反问题，结合频域加速计算。
• 多维度评估：提供主观视觉对比（原始图、退化图、复原图）、收敛曲线分析以及差值残差图，并计算PSNR和SSIM客观指标。

系统要求

• MATLAB (推荐 R2016b 或更高版本)
• Image Processing Toolbox (图像处理工具箱)
• 无需额外的第三方库，所有核心算法（包括聚类、PCA、SSIM计算）均在脚本中原生实现。

算法实现细节

本项目的主要执行脚本（main.m）严格遵循以下实现逻辑：

1. 参数配置与数据准备

系统首先初始化关键超参数，包括图像块大小（7x7）、聚类数量（16类）、PCA主成分数（10个）、迭代次数（50次）以及模糊核与噪声参数。 程序尝试读取内置的 cameraman.tif 图像，若文件不存在，则自动生成合成的正弦/余弦波纹图像作为基准（Ground Truth）。图像被调整为256x256大小并转换为灰度图。随后，通过施加高斯模糊（9x9 kernel）和加性高斯白噪声生成退化图像。

2. 初始估计与字典训练 (ASDS阶段)

• 样本提取：以初始退化图像作为估计源，按步长为1提取密集的重叠图像块作为训练样本。
• 聚类与字典构建：

* 预处理：对样本进行去均值处理。 * 结构聚类：使用简化的K-Means算法将图像块分为16个结构组（Cluster），每一组代表一种局部几何模式（如边缘、纹理、平滑区）。 * PCA训练：对每一组样本分别计算协方差矩阵并进行奇异值分解（SVD），提取前10个主成分作为该类的紧凑子字典（PCA基）。

3. 迭代复原循环 (Reconstruction Loop)

系统进入最大为50次的迭代修复过程，利用迭代收缩（Iterative Shrinkage）框架求解：

• 梯度下降步 (Data Fidelity Update)：

利用频域（FFT）快速计算保真项的梯度，更新当前图像估计值，确保复原结果与观测退化图像在模糊模型下的一致性。

• 自适应稀疏编码步 (Adaptive Sparse Coding with AR)：

* 提取当前估计图像的重叠块。 * 最佳域选择：计算每个块与各聚类中心的欧氏距离，匹配到最相似的结构簇，进而选择对应的PCA子字典。 * 变换域投影：将图像块投影到选定的PCA基上，得到系数值。 * 自适应阈值收缩：这是AR正则化的核心实现。系统计算块的局部方差，方差越小（平滑区）阈值设得越高以抑制噪声，方差越大（边缘区）阈值设得越低以保留细节。 * 块重建：利用收缩后的系数和子字典重构图像块。

• 图像聚合 (Aggregation)：

将处理后的重叠图像块累加回原位置，并根据重叠次数进行加权平均，消除块效应。

• 放松与边界处理：

更新图像估计，并未下一轮迭代做准备，同时限制像素值在[0, 1]范围内。

4. 结果评估与可视化

迭代结束后，系统计算最终的PSNR（峰值信噪比）和SSIM（结构相似性）指标，并输出三组可视化结果：

1. 对比展示：并排显示原始图像、退化图像和复原结果。
2. 收敛分析：绘制PSNR随迭代次数变化的曲线。
3. 残差图：以热力图形式展示复原结果与原始图像的绝对误差。

关键函数与算法说明

代码中包含以下关键辅助函数的具体实现：

• 图像块提取函数

负责将图像划分为重叠的块，并进行向量化处理，同时记录每个块在原图中的空间坐标，以便后续重建。

• PCA字典训练函数

实现了ASDS的核心逻辑。它首先通过K-Means算法根据几何相似性对图像块进行聚类，然后针对对每个聚类子集执行PCA。为了代码的独立性，该函数内部手写了简化的K-Means迭代过程和SVD分解逻辑，不依赖MATLAB的高级统计工具箱函数。

• PSNR 计算函数

基于均方误差（MSE）计算图像的峰值信噪比，用于量化复原质量。

• SSIM 计算函数

原生实现了结构相似性索引（SSIM）算法。包含亮度、对比度和结构三个分量的计算，利用高斯加权窗口计算局部均值和方差，以此来更符合人眼视觉感知地评价图像质量。

使用方法

1. 确保MATLAB环境已安装。
2. 将 main.m 文件放置于工作目录。
3. (可选) 将名为 cameraman.tif 的图片放入同级目录，否则系统将使用自动生成的合成图像。
4. 直接运行 main 函数。
5. 等待迭代过程完成（控制台会输出每5次迭代的PSNR值）。
6. 观察弹出的可视化窗口及最终评价指标。