💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥1 概述
文献来源：
摘要：总变差（TV）模型是图像恢复中最成功的方法之一，也是解决稀疏表示问题优化算法的理想基础。先前的研究表明，图像恢复模型的导数空间表述有助于提高图像恢复的成功率，以及在盲解卷积中的核估计性能。然而，对基于导数空间的图像恢复模型和算法的关注较少。本文通过开发一种新颖的基于导数空间的重构形式以及高效的导数交替方向乘法器（D-ADMM）算法，研究了基于TV的图像恢复（TVIR）。由于所提出的导数空间重构形式的简单性，D-ADMM每次迭代只需要四次快速傅立叶变换（FFT）操作，比其他增广拉格朗日方法更加高效。数值实验表明，D-ADMM能够获得令人满意的恢复结果，并且比最先进的TVIR算法快得多。
关键词：总变差 图像恢复 凸优化 交替方向乘法器方法 增广拉格朗日方法
📚2 运行结果
部分代码：
%%
x = imread('Barbara.jpg');
if(length(size(x))==3)
x=im2double(rgb2gray(x));
else
x=im2double(x);
end
sigma=5e-3;
miu=4e-4;
[m, n] = size(x);
%%
%%get the oberverd image
load kernels.mat
H=k{7};
H_FFT=psf2otf(H,[m,n]);
HC_FFT = conj(H_FFT);
y=imfilter(x,H,'circular','conv')+ sigma*randn(m,n);
tic;
% [x_admm,iter]=D_ADMM_C(y,H,miu,2,1e-4);
[x_admm,iter]=D_ADMM_H(y,H,miu,2,1e-4);
t=toc;
figure,imshow(x_admm);
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
