基于图像恢复的传统图像去块算法研究

摘要：随着图像压缩技术的应用，压缩图像中的块状伪影问题引起了广泛关注。本文详细分析了近年来图像去块领域的多种方法并通过对比不同方法的优缺点，结合实验结果，总结了当前图像去块技术的现状，对未来的研究方向进行了展望。研究结果表明，结合多种先验信息的混合模型在去除块效应的同时能够更好地保留图像细节，具有较高的应用价值。

关键词：图像去块；JPEG；图像恢复

基金项目：2023年吉林省教育厅科学研究项目“基于小波变换和深度学习的低光照图像增强技术研究”（JJKH20230791KJ）;2024年大学生创新创业训练计划国家级项目“数字摄影技术中对于JPG图片基于改进混合稀疏误差模型的图像去块算法研究”。

随着互联网技术的迅猛进步，图像去块在现代通信领域扮演着愈发关键的角色。在编码规范的核心中，离散余弦变换（BDCT）作为图像压缩的关键算法，时常引发压缩图像出现明显的块状视觉瑕疵。为了减轻块状伪影带来的不良视觉体验，学者者们并提出了多种解决方案，主要分为基于全变分法、低秩先验法、稀疏表示法以及多种先验结合。本文综述了与图像去块任务相关的理论、方法和研究进展，对近年的传统图像去块方法分别进行了总结与分析。

1基于图像恢复的图像去块算法

1.1基于全变分法的图像去块算法

全变分方法理论被首次应用于图像恢复问题是由Rudin等人[1]提出的，通过使用梯度幅度的L1范数，允许不连续和非光滑的解，从而能够更好地保留图像的边缘和细节。在Rudin的工作之后，许多改进的全变分方法相继提出，Alter等人[2]设计了一种全变异最小化去阻塞方法，Chang等人[3]提出了一种自适应的总变分最小化方法，通过结合稀疏表示和总变分正则化来减少JPEG解压缩后的伪影。

1.2基于低秩先验法的图像去块算法

低秩先验方法理论被首次应用于图像恢复问题是由Cai等人提出的，将逼近核范数问题理解为秩最小化问题的凸松弛，开创了低秩先验在图像恢复理论中的先河，后续产生了很多改进的低秩先验方法，Zhang等人提出了一种约束非凸低秩模型，将lp（0 < p < 1）惩罚函数扩展到矩阵的奇异值上，以表征低阶先验模型。Gu等人提出了一种改进的核范数最小化方法。

1.3基于稀疏表示法图像去块算法

稀疏表示方法理论被首次应用于图像恢复问题是由 Aharon等人提出的，提出了一种新的算法来调整字典以实现稀疏信号表示。在其的工作之后，许多改进的稀疏表示方法相继提出，Zhao等人提出了一种基于结构化稀疏表示和量化约束先验的图像压缩伪影减少方法。Dabov等人提出的基于块匹配与三维滤波的图像去块算法，通过将相似块堆叠成三维矩阵并进行协同滤波，有效去除块效应并保留图像细节，优于传统方法。

1.4基于两种先验结合的图像去块算法

近年来将稀疏先验和低秩先验相结合的方法成为该领域的研究热点，这些方法的优点在于能够有效保留图像细节和纹理，同时显著减少块效应，提升视觉质量。Liu等人提出了一种结合稀疏表示和低秩先验正则化的图像去块模型， Hu等人提出了一种基于形状自适应低秩先验和稀疏性细节增强的图像去块方法。

2图像去块的数据集和性能评估

2.1定量评估

为了更准确地评估和分析图像去块任务中具有代表性的算法模型的性能，一般采用了PSNR和SSIM两个评价指标进行衡量。基于全变分的方法在当前的图像恢复任务中已经显得相对落后，而基于低秩先验和稀疏表示的模型在性能上相差不大，均能提供较为满意的恢复效果，结合了低秩先验和稀疏表示的混合模型在PSNR和SSIM指标上均优于传统的单一模型。

2.2定性评估

图1中展示了各个方法对质量因子分别为5和10的图像进行图像去块的结果，尽管各个算法采用了不同的方法，但在图像去块上均呈现出令人满意的效果。可以看出BM3D、DicTV和WNNM可以在一定程度上减少阻塞伪像，但仍可能在平滑区域留下明显的伪影，SALR可以去除不雅的伪影，还原更清晰的边缘和更多的细节。

2.3运行效率

结果表明，低秩模型的运行时间相对较长，而稀疏表示和全变分模型的运行时间较短，结合模型则处于中等水平。因此，在选择算法时，需要综合考虑恢复性能和计算效率，以确保模型在实际应用中既能达到良好的性能表现，又能满足资源消耗的限制。

3总结与展望

尽管图像去块领域取得了巨大进展，但仍存在一些严峻挑战和难题：（1）全面的评估指标。在图像去块领域，现有的评估指标如PSNR和SSIM存在局限性，PSNR无法反映图像细节和人眼感知特性，SSIM对亮度和对比度变化不敏感，开发与人眼视觉特性一致的评价指标仍面临挑战。（2）模型的缺陷和创新性。传统图像去块算法存在计算复杂度高、细节保留不足等问题，未来需进一步探索低秩、稀疏表示等先验信息的结合方式，以提高图像恢复质量。和效率。

参考文献

[1]Rudin L I，Osher S.Total variation based image restoration with free local constraints[C]//Proceedings of 1st international conference on image processing.IEEE，1994， 1：31-35.

[2]Alter F， Durand S Y， Froment J. Deblocking DCT-based compressed images with weighted total variation[C]//2004 IEEE International Conference on Acoustics，Speech，and Signal Processing.IEEE，2004，3：211-221.

[3]Chang H，Ng M K， Zeng T. Reducing artifacts in JPEG decompression via a learned dictionary[J].IEEE transactions on signal processing，2013，62（3）：718-728.

作者简介：李致运（2004—），男，山西晋中人，本科生，研究方向为图像处理、机器学习、智能优化；于之雅（2004—），女，吉林德惠人，本科生，研究方向为图像处理、机器学习、智能优化；*通讯作者：蔡志丹（1979—），女，吉林延边人，副院长，教授，研究方向为计算机代数、智能优化、图像处理。