《表1 不同算法在不同测试图片去模糊问题中收敛所需迭代步数（Iter）以及最后的PSNR(dB)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于非凸的全变分和低秩混合正则化的图像去模糊模型和算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

我们考虑的对比算法有四个，分别是TV1[12]，TVLR[16]，TV05[23].另外我们考虑重加权的低秩方法[24].但是单单只用低秩正则化对于去模糊的效果并不好，因此我们增加了TV项得到新的方法称之为LR05TV.对于混合正则化模型，我们使用η=λ=10-7.在所有算法中，我们使用相同的ρ0，-ρ和α.迭代步数设为100.运动模糊核是由MATLAB代码为fspecial('motion'，17，3），而高斯模糊算子则为fspecial('gaussian'，17，3）.图5给出了在六幅图不同算法性能比较.图6给出不同算法对于不同测试图象PSNR随迭代步数变化的趋势图.在表1中，我们给出给个算法对于不同测试图像最后最后输出的结果和所需的迭代步数.从表1中可以看到，本文算法相对于已有的经典算法都可以稳定地提高1～3点的dB.本文给出的算法收敛时输出的结果PSNR要高于其他算法，从而说明了本文算法表现地更优秀.