理解《Deblurring Text Images via L0-Regularized Intensity and Gradient Prior》

L0-regularized prior based on intensity and gradient 基于强度（亮度？像素值大小）和梯度（强度与渐变？）的L0正则化先验。

图像先验源于观察文本图像的不同属性，基于这个先验，产生核估计的可靠中间结果。不需要检测突出边缘。在最后的图像恢复步骤，去除artifacts（伪像，人工，噪声）并且去模糊。不仅对文本图像去模糊很有效，也很好地应用于低照度场景。

　　现在 单图去模糊的成功，主要源于从自然图像中学得的先验知识和用于核估计的边缘检测。但是这些先验，对于文本图像效果较差，因为文本图像主要是双色（比如黑白），不符合自然图像的重尾分布的梯度统计（梯度值接近0的概论非常大，除非是边缘）。

　　[1]提出一种先验，基于图像强度而不是自然景色的重尾梯度先验，但这个只针对文档图像（2值）。 自然图像的稀疏特征？？？ 没有从输入图像中显式地估计模糊核，去模糊过完整字典的过载？？   Li

 

虽然如图3（c）所示，可以从（公式4）估计潜在文本图像，但是对于具有复杂背景或细微纹理细节的场景，该公式较不有效。我们注意到，拉普拉斯先验的非盲目去除模式[9]已被证明可以保留细节。然而，如图3（b）所示，可能会在此之前包含重要的伪影。相比之下，提出的算法与L0如图3（c）所示，规则化的先前产生较少的细节细节和振铃假象。

所提出的算法可以进一步增强，通过类似于振铃抑制方法的以下方法，去除具有精细细节的文本和自然图像[16]。首先，我们估计潜像Il（参见图3（b）），使用拉普拉斯算子[9]的方法。其次，我们估计潜像I0（参见图3（c）），使用所提出的算法通过（4），但只有梯度信息Pt(∇x)在这个阶段（即设定）σ的（6）为0）。与[16]类似，我们然后计算这两个估计图像之间的差异图，并使用双边滤波去除伪像。最后，我们从中减去滤波差分图Il。在结果如图3（e）示出了这种方法非常适用于文字和自然图像，并抵靠振铃抑制方法有利地进行[16] 。