理解《Deblurring Text Images via L0-Regularized Intensity and Gradient Prior》

标签：并且   bsp   应用   渐变   base   ges   reg   and   估计   

L0-regularized prior based on intensity and gradient 基于强度（亮度？像素值大小）和梯度（强度与渐变？）的L0正则化先验。

图像先验源于观察文本图像的不同属性，基于这个先验，产生核估计的可靠中间结果。不需要检测突出边缘。在最后的图像恢复步骤，去除artifacts（伪像，人工，噪声）并且去模糊。不仅对文本图像去模糊很有效，也很好地应用于低照度场景。

　　现在 单图去模糊的成功，主要源于从自然图像中学得的先验知识和用于核估计的边缘检测。但是这些先验，对于文本图像效果较差，因为文本图像主要是双色（比如黑白），不符合自然图像的重尾分布的梯度统计（梯度值接近0的概论非常大，除非是边缘）。

　　[1]提出一种先验，基于图像强度而不是自然景色的重尾梯度先验，但这个只针对文档图像（2值）。 自然图像的稀疏特征？？？ 没有从输入图像中显式地估计模糊核，去模糊过完整字典的过载？？   Li

理解《Deblurring Text Images via L0-Regularized Intensity and Gradient Prior》

标签：并且   bsp   应用   渐变   base   ges   reg   and   估计   

原文地址：http://www.cnblogs.com/taoshiqian/p/7637417.html