张墨华，彭建华，冯新扬，张俊峰

(1. 国家数字交换系统工程技术研究中心 郑州 450000；2. 河南财经政法大学 计算机与信息工程学院 郑州 450000)

图像复原问题中，给定观测图像Y由原始清晰图像X经过线性算子A和标准差为σ加性高斯白噪声N退化所生成，即

Y=AX+N,

(1)

为了恢复原始图像X，需要有关原始图像的先验知识。由于维度的原因，对整个图像的全局建模比较困难，因此近年来许多图像复原算法选择通过采用块(或局部)先验来解决建模问题。块尺寸较小更易于建模，流行的模型包括：稀疏模型[1]，高斯混合模型(GMM, gaussian mixture model)[2]，ICA[3]等。尽管块先验对每个去噪块进行了很好的处理，但块的平均化操作破坏了这种行为，因为从聚合图像中提取的结果块可能不再符合局部先验。Zoran和Weiss等人提出的块对数似然期望(EPLL, expected patch log likelihood)算法[4]改善了上述状况，他们的方案使用全局先验，在图像中去寻找每个选定的块都可能符合的局部先验，为了求解这一先验的最大后验估计(MAP, maximum a posteriori estimation)问题，迭代地对块进行去噪，随着迭代的进行，重叠的块越来越接近局部模型。EPLL最初利用GMM先验，后来扩展到基于稀疏性的块模型[5]、专家场[6]、分析稀疏模型[7]等。这些模型实现通过局部相互作用来形成全局先验。利用块的自相似性块建模是另一种生成全局模型的方法[8-9]，这一方法对即使相隔较远的相似块，仍能进行协同处理，从而实现非局部处理。但是上述这些方法也无法完全实现“全局化”处理，导致经常出现局部伪影的情况，以及复原图像质量过度平滑的问题。……