惩罚KL散度耦合迭代分布加权的图像重构算法

目的 利用MAP（Maximizing A Posteriori）估算技术能够较好地重构退化图像， 有效降低复原图像的伪影， 但MAP估算是惩罚图像的非零梯度， 且其图像先验估算忽略了退化图像自身纹理， 易导致重构图像过渡平滑， 产生突变阶跃边缘和丢失图像中频纹理信息。设计了惩罚KL散度耦合迭代分布重新加权的图像重构算法。方法 基于退化图像像素， 构建图像参考梯度分布计算模型， 以估算图像先验； 引入KL（Kullback-Leibler）散度， 联合MAP估算技术， 惩罚经验分布与参考分布之间的梯度； 设计迭代分布重新加权算法， 最小化成本函数， 优化经验梯度分布， 使其更接近参考分布； 基于 HVS（Human Visual System）， 构造了转导对比度失真率模型。最后， 利用 Amazon Mechanical Turk数据集， 对提出的算法进行用户响应研究。结果 仿真实验结果表明， 与当前基于MAP估算技术的图像重构机制相比， 在图像退化程度严重时， 提出的算法具有更好的用户响应， 且具有更高的重构精度， 复原图像的纹理细节清晰可见。结论 提出的算法具有更高的重构质量， 用户响应良好