基于核回归kernel regression方法的去模糊MATLAB源码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%% STEERING KERNEL DEBLURRING EXAMPLE 2 %%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% This simulation example demonstrates the kernel regression-based
% deblurring method with the steering kernel function and this generates
% the deblurred image of Fig.11（g） in the paper “Deblurring Using
% Locally-Adaptive Kernel regression.
%
% [Details]
% test image : cameraman
% PSF : 19 x 19 uniform
% BSNR : 25[dB]
%
% [History]
% Oct 12 2007 : coded and debugged by Hiro

% the mirroring width
mg = 15;

% read a test image
img = double（imread（‘cameraman.tif‘））; % Cameraman image

% create a PSF
PSFsupport = 19;
A = fspecial（‘ave‘ PSFsupport）; % 19 x 19 uniform

% blur the test image
imgb = conv2verge（img A）;

% add white Gaussian noise
BSNR = 25; % blurred signal to noise ration in [dB]
vn = var（imgb（:）） / 10^（BSNR/10）; % compute the noise variance
randn（‘state‘ 0）; % initialize the noise generator 
y = imgb + randn（size（imgb）） * sqrt（vn）; % add white noise to the blurred image

% mirror the edges
y = EdgeMirror（y [mg mg]）;
[N M] = size（y）;

% initialization
% the pilot estimation by weiner filter
K = 0.001;
Af = fft2（A 512 512）;
F = （abs（Af）.^2 ./ （abs（Af）.^2 + K）） ./ Af .* fft2（EdgeMirror（y（1+mg:end-mg 1+mg:end-mg） [128 128]））;
y_init = ishift2（real（ifft2（F）） 9 9）;
y_init = y_init（129-mg:end-128+mg 129-mg:end-128+mg）;
y_init = double（round0_255（y_init））;

fig_h = figure;
imshow（uint8（y_init（1+mg:end-mg 1+mg:end-mg）））; colormap（gray）; axis image;
pause（0.1）;

% initialization by the second order classic kernel regression
title（‘Initializing by the second order classic kernel regression...‘）;
pause（0.1）;
Q = 2; % the regression order
hc = 0.8; % the global smoothing parameter
ktype = ‘ga‘; % the kernel type （‘ga‘ = Gaussian）
ksize = 7; % the kernel support size
[U Ux Uy Uxx Uxy Uyy] = ckr_a（y_init [0;0] 1 1 Q hc ktype ksize）;
U = y_init;

% parameter
h = 1.0; % the global smoothing parameter for the likelihood term
hu = 1.5; % the global smoothing parameter for the regularization term
nu = 0.3; % the step size
IT = 6500; % the number of iterations
ksize = 7; % the kernel support size
ktype = ‘ga‘; % the kernel support size
reg_lambda = 0.75; % the regularization parameter
radius = （ksize - 1） / 2;

% parameters for the steering matrices
wsize = 11; % the analysis window size
lambda = 1; % the regularization parameter
alpha = 0.5; % the structure sensitivity
r = 1;

[x2 x1] = meshgrid（-radius:radius -radius:radius）;
x1sq = x1.^2;
x2sq = x2.^2;
x1x2 = x1.* x2;

for it = 1 : IT
    % initialize error corrections
    ec_U = zeros（N M）;
    ec_Ux = zeros（N M）;
    ec_Uy = zeros（N M）;
    
    % every 50 iterations we re-create the weight matrices
    if mod（it-1 50） == 0
        % estimate the orientation information from the estimated gradients
        % for the regularization term