Resumen

La eliminación del desenfoque de imágenes se formula como un problema de minimización no restringido, y su función de penalización es la suma del término de error y regularizadores de TV. Aunque el regularizador de TV es una herramienta poderosa que puede promover significativamente la dispersión de los gradientes de la imagen, no es ni convexo ni suave, lo que hace que el problema de optimización presentado sea más difícil de manejar. Para resolver eficientemente este problema de minimización, primero se reformula como un problema de minimización restringido equivalente mediante la introducción de nuevas variables y nuevas restricciones. Posteriormente, el método de splitBregman, como un solucionador, divide el nuevo problema de minimización restringido en subproblemas. Para cada subproblema, se aplica el método eficiente correspondiente para garantizar la existencia de soluciones en forma cerrada. En experimentos simulados, se aplican el algoritmo propuesto y algunos algoritmos de vanguardia para restaurar tres tipos de imágenes borrosas con ruido. Los resultados restaurados muestran que el algoritmo prop

• Materias:Red neuronal artificial Codificación de video Reducción de ruido Pérdida de paquetes Codificación multiusuario
• Subjects:Artificial Neural Network Video Coding Noise reduction Packet loss Multi-user encoding
• Palabras claves:Desenfoque de imagen; Problema de minimización no restringido; Función de penalización; Regularizadores de TV; Problema de optimización; Método de splitBregman
• Keywords:Image deblurring; Unconstrained minimization problem; Penalty function; TV-regularizers; Optimization problem; SplitBregman method