專利名稱：一種基于邊緣信息的多尺度模糊圖像盲復(fù)原方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像盲復(fù)原技術(shù)領(lǐng)域，尤其涉及一種穩(wěn)健的基于邊緣信息的多尺度模 糊圖像復(fù)原方法。
背景技術(shù)：
在用相機(jī)拍攝物體時，由于在曝光的過程中可能存在相機(jī)與被攝物體之間的相對 移動或抖動，因此獲得的圖像會出現(xiàn)模糊現(xiàn)象。比如，對地航拍時飛機(jī)向前的推進(jìn)以及載荷 平臺的顫振，普通數(shù)碼相機(jī)手持拍攝物體時釋放開門的過程中的抖動等等，很多拍攝環(huán)境 都會造成的運(yùn)動模糊情況。在圖像獲取條件一定的條件下，如何利用已得到的信息來獲得 更加清晰的圖像成為成像過程中的尤為重要的一步，也是現(xiàn)代圖像處理領(lǐng)域的熱點(diǎn)，它在 天文拍攝、航空成像、醫(yī)學(xué)成像、民用照相等領(lǐng)域都有極為重要的意義。將模糊圖像去模糊得到清晰圖像的過程屬于圖像復(fù)原的一個部分。圖像復(fù)原的過 程可以看成是一個反卷積的問題，它屬于數(shù)學(xué)物理問題中的一類“反問題”，反問題的重要 特性就是其病態(tài)性，即問題的解不是連續(xù)地依賴于觀測數(shù)據(jù)，也就是說，觀測數(shù)據(jù)的微小變 動就可能導(dǎo)致解的很大變化。在圖像復(fù)原中，細(xì)微噪聲的加入也就有可能嚴(yán)重影響復(fù)原的 結(jié)果。而且我們往往碰到的是不知道退化條件或沒有預(yù)先知道退化模型的情況，所以我們 還要估計退化模型，僅僅從單幅圖像復(fù)原又可看作“盲復(fù)原”問題，而對此類問題如今還沒 有很好的通用的解決方法，需要根據(jù)具體情況來解決。圖像模糊的過程可以看作清晰圖像 卷積一個模糊核再加一定量噪聲的過程。而圖像去模糊就是從觀測到的退化的模糊的有噪 聲的圖像中重建獲得接近原始的清晰圖像，而當(dāng)不知道模糊核時，直接從模糊圖中復(fù)原出 清晰圖的過程就是圖像盲復(fù)原，這類問題的病態(tài)性更大，對噪聲更加敏感。對于已知模糊核的圖像復(fù)原稱為非盲復(fù)原問題，這方面人們已經(jīng)做了很多的工 作，也取得了較好的結(jié)果。如簡單而高效的Richardson-Lucy (RL)算法、各種頻域或小波域 的求解方法、能保留邊緣去噪的各類總變分約束復(fù)原方法、稀疏分布約束的求解方法，以及 一些去波紋的復(fù)原方法等方法都各有其優(yōu)缺點(diǎn)。因?yàn)槟：瞬豢色@取性，人們后來采用輔 助設(shè)備來獲取模糊核，如設(shè)定特殊的曝光時間來揭示模糊路徑、用輔助一個高速相機(jī)獲取 模糊路徑、用慣性測量傳感器求得曝光過程中相機(jī)的加速度和角速度而估算模糊情況、對 同一景物拍攝多幅圖從中找出模糊核、從一幅長曝光的模糊圖和一幅短曝光的高噪聲圖中 求模糊核等等，這些方法也稱為計算攝影。但是我們實(shí)際獲得的往往只有一幅模糊圖，而盲復(fù)原就是只從單幅模糊圖中得到 清晰圖。早期的盲復(fù)原方法多用在天文圖像的復(fù)原中，模糊核結(jié)構(gòu)固定條件單一，適用性較 窄。后來逐漸發(fā)展的貝葉斯框架下的復(fù)原方法等多存在理論研究上，在實(shí)際復(fù)原模糊圖像 中還不能很好的應(yīng)用。后來人們采用基于整體學(xué)習(xí)參數(shù)估計的方法在單幅圖的復(fù)原中取得 了較好的結(jié)果，但是參數(shù)估計致使速度很慢，而且對有些大模糊核的圖復(fù)原結(jié)果不夠穩(wěn)定。 還有在緊框架下利用清晰圖和模糊核的稀疏特性來盲復(fù)原的方法，以及有邊緣約束的其他 方法，對波紋有一定的抑制作用，但收斂速度不夠快，且參數(shù)的設(shè)置對結(jié)果有較大影響，而且時間復(fù)雜度較大。如今處理盲復(fù)原問題往往是，給與模糊圖相關(guān)的量如模糊核和清晰圖 設(shè)置一定的約束，如基于最大后驗(yàn)概率模型構(gòu)建一條能量式子，通過最小化能量式子來獲 得真實(shí)的模糊核和清晰圖，計算時一般采用最優(yōu)化方法求解。但是由于問題本身的病態(tài)性， 以及信息的不足性，求解時常常會出現(xiàn)很難收斂或收斂失敗的情況，這時模糊核和復(fù)原圖 都將與真實(shí)值偏差很大。所以圖像盲復(fù)原方法需要結(jié)合更多的圖像先驗(yàn)信息才能使算法穩(wěn) 健。

發(fā)明內(nèi)容
本發(fā)明提供了一種穩(wěn)健的基于邊緣信息的多尺度模糊圖像盲復(fù)原方法，該方法對 各類不同模糊程度的圖像都能有效地收斂，并且和一般的直接求能量最小化的盲復(fù)原方法 相比，計算復(fù)雜度低，噪聲抑制能力強(qiáng)?！N基于邊緣信息的多尺度模糊圖像盲復(fù)原的方法，包括根據(jù)待處理圖像信息 確定縮放比例λ和縮放尺度層數(shù)s，將待處理圖縮小至最小尺度得到最小尺度的模糊圖 像，在最小尺度層復(fù)原圖像設(shè)定為最小尺度的模糊圖像，模糊核的初始值設(shè)定為零矩陣，在 小尺度到大尺度方法框架下循環(huán)進(jìn)行逐步的圖像復(fù)原，同時在不同尺度設(shè)置自適應(yīng)參數(shù)， 直到圖像大小到達(dá)原始尺度，得到最后精確的模糊核，并用此模糊核復(fù)原原始模糊圖像得 到實(shí)際圖像尺寸的清晰圖像，其特征在于，對于每個尺度層進(jìn)行如下處理(1)根據(jù)尺度大小控制雙邊濾波器參數(shù)，對當(dāng)前尺度得到的復(fù)原圖像利用雙邊濾 波器進(jìn)行雙邊濾波，得到去除噪聲和波紋的圖像；(2)根據(jù)尺度大小控制激波濾波器參數(shù)，用對步驟(1)得到的圖像利用激波濾波 器進(jìn)行激波濾波，得到具有高強(qiáng)度反差邊緣的圖像；(3)對步驟(2)得到的具有高強(qiáng)度反差邊緣的圖像求邊緣，將當(dāng)前尺度的模糊核 作為初始值，結(jié)合對應(yīng)尺度的模糊圖像及其邊緣，根據(jù)尺度大小控制模糊核估計算法參數(shù)， 用模糊核估計算法得到當(dāng)前尺度的精確的模糊核；(4)根據(jù)尺度大小控制RL復(fù)原算法參數(shù)，用步驟(3)中得到的精確的模糊核，采取 RL復(fù)原算法對當(dāng)前尺度的模糊圖像進(jìn)行復(fù)原，得到當(dāng)前尺度的清晰復(fù)原圖像；(5)將步驟(3)得到的模糊核和步驟(4)得到的復(fù)原圖像采用雙線性差值模式將 其放大到相鄰的大尺度層得到相鄰大尺度層的初始模糊核和復(fù)原圖像，同時將當(dāng)前尺度層 的模糊圖像放大λ倍得到相鄰大尺度層的模糊圖，然后進(jìn)入相鄰大尺度層的循環(huán)運(yùn)算。圖像的模糊過程一般可以表示為如下模型B = F K + N(1)式⑴中B代表獲取的模糊圖像；F代表原始的清晰圖像；K代表模糊核，或稱為點(diǎn)擴(kuò)散函數(shù)(PSF)；N代表加性噪聲項； 表示二維卷積算子。如果模糊核K是已知的，那么根據(jù)模糊圖像B和模糊核K求清晰圖像L的過程就 是已知模糊核的圖像復(fù)原。而從單幅模糊圖像中復(fù)原出清晰圖像的過程，即只知道模糊圖像B而不知模糊核K的情況下求清晰圖像L的過程，它屬于盲復(fù)原問題，其病態(tài)性更大，對 噪聲更加敏感。圖像盲復(fù)原中最關(guān)鍵的一步就是模糊核的估計，因?yàn)槟：说臏?zhǔn)確性會嚴(yán)重影響 最終的圖像復(fù)原，尤其是波紋現(xiàn)象的嚴(yán)重程度。只要知道模糊核和清晰圖像中之一，我們就 可以得到另一個，所以關(guān)鍵的一步是需要得到一個較為準(zhǔn)確的模糊核。鑒于模糊圖像尚保 留一定程度的邊緣，我們可以通過一定的濾波處理從模糊圖像中提取出圖像的大致邊緣， 然后根據(jù)此邊緣信息和對應(yīng)的模糊圖像來求得更加準(zhǔn)確的模糊核，最后復(fù)原圖像。本發(fā)明 啟發(fā)于此關(guān)系，多個尺度層組成塔式圖像金字塔，通過在塔式圖像金字塔上逐步優(yōu)化求解， 并結(jié)合各層金字塔的尺度特性以及內(nèi)部各算法的特點(diǎn)設(shè)置各自的自適應(yīng)調(diào)整參數(shù)，從而構(gòu) 建出一個對較廣泛的模糊圖像都有效的穩(wěn)健的盲復(fù)原算法。本發(fā)明方法由如下四個核心模塊組成模糊核的求取、模糊圖像的復(fù)原、從小尺度 到大尺度的方法和自適應(yīng)參數(shù)的設(shè)置。(1)模糊核的求取此過程可以分為如下四個步驟保邊去噪濾波、偏微分方程方法求尖銳邊緣、在梯 度域去噪和求模糊核。保邊去噪濾波采用雙邊濾波器對圖像進(jìn)行去噪，雙邊濾波器的模型如下式所示 式⑵和式(3)中Ip表示待濾波的圖像在ρ點(diǎn)的像素值；Iq表示待濾波的圖像在q點(diǎn)的像素值；Jp表示濾波后的圖像ρ點(diǎn)的像素值；ρ表示整幅圖中某像素點(diǎn)的坐標(biāo)；q表示濾波窗口中某像素點(diǎn)的坐標(biāo)；Ω表示濾波窗口像素坐標(biāo)的集合；Gc^表示標(biāo)準(zhǔn)差為0 s的高斯濾波函數(shù)；Gffe表示標(biāo)準(zhǔn)差為0。的高斯濾波函數(shù)；σ。表示空間濾波窗中空間臨近權(quán)重的標(biāo)準(zhǔn)差；σ s表示強(qiáng)度相似權(quán)重的標(biāo)準(zhǔn)差；Wp表示歸一化項；I I · I I表示求絕對值。雙邊濾波器去噪可以保留邊緣信息又去除平滑區(qū)域的噪聲，并且可以去掉因暫時 還不準(zhǔn)確的模糊核復(fù)原產(chǎn)生的較弱的波紋。然后用圖像偏微分方程方法求取圖像尖銳邊緣，這一步采用激波濾波器對步驟 (1)得到的去噪圖求有高強(qiáng)度反差邊緣的圖像，激波濾波器的原始模型如下It+l =It-sign{Mt)\VIt\dt( 4 )
式(4)中It表示激波濾波過程中迭代次數(shù)為t次的濾波圖像；It+1表示激波濾波過程中迭代次數(shù)為t+Ι次的濾波圖像；ft表示迭代次數(shù)；dt表示擴(kuò)散的步長；V表示微分算子；Δ表示拉普拉斯算子；sign( ·)表示符號函數(shù)；I I · I I表示求絕對值。經(jīng)過雙邊濾波器處理得到的去噪圖像進(jìn)過激波濾器擴(kuò)散濾波后，模糊邊界會被演 化為一條界線分明的尖銳邊緣，這些邊緣信息和潛在的清晰圖像有密切的聯(lián)系。由于激波濾波后的圖像丟失了一些強(qiáng)度較弱的信息而保留強(qiáng)邊緣，因此求模糊核 時在其梯度域進(jìn)行，即對激波濾波后的圖像求空間梯度，然后再對得到的空間梯度進(jìn)行閾 值濾波，表達(dá)式如下 式(5)中I表示激波濾波后的圖像S/表示激波濾波后的梯度圖像；J表示閾值濾波后的圖像。abs( ·)表示絕對值函數(shù)。求模糊核的表達(dá)式如下 重；
式(6)和式(7中)
U表示激波濾波后的圖像對應(yīng)的各個方向的一階和二階梯度圖的集合 B*表示模糊圖對應(yīng)的各個方向的一階和二階梯度圖的集合； K表示模糊核； B表示模糊圖像；
表示二維卷積算子。ω,ε {ω17 ω2}分別表示1階和2階梯度圖像對應(yīng)的權(quán) β表示Tikhonov正則化能量約束的系數(shù)。
用共軛梯度法解(6)式得到模糊核，計算中圖像和模糊核的卷積運(yùn)算時采用傅里 葉頻域相乘的方法來加速計算。另外，在用迭代法求模糊核時，在每次迭代后對其進(jìn)行遲滯閾值濾波，將小于一定 值的點(diǎn)置零，這樣消除噪聲能有效的防止迭代過程不收斂情況的發(fā)生。在求模糊核時，為了加快速度我們可以截取圖像中的一塊來求，例如中心部分的 512像素的正方形窗，如果這個窗口取的過小也可能出現(xiàn)算法不能收斂的情況，所以需要根 據(jù)環(huán)境和要求權(quán)衡速度和準(zhǔn)確性。(2)模糊圖像的復(fù)原用式(6)得到的模糊核，采用RL復(fù)原算法對模糊圖像進(jìn)行復(fù)原，RL算法的原始模 型如下 式(8)中t表示迭代次數(shù)；It表示圖像復(fù)原過程中經(jīng)過t次迭代后得到的復(fù)原圖像；It+1表示圖像復(fù)原過程中經(jīng)過t+Ι次迭代后得到的復(fù)原圖像；B代表獲取的模糊圖像；K表示模糊核； 表示二維卷積算子；Kt(X，y) = K(-χ, -y)表示圖模糊核K經(jīng)過空間中心對稱變換運(yùn)算。本發(fā)明中采用 Biggs D 的力口速 RL 算法(Biggs D, Andrews Μ. Acceleration of iterative image restoration algorithms [J] ；Applied Optics,1997,36 (8) 1766-1775)來加快收斂提高速度。在RL迭代復(fù)原圖像過程中，需要迭代次數(shù)的參數(shù)，根據(jù)不同尺度和不同精細(xì)度的 模糊核設(shè)置不同的大小，從而使噪聲放大的情況得到抑制，而且復(fù)原的圖像的細(xì)節(jié)更加清 晰。(3)從小尺度層到大尺度層的方法先用雙線性差值方式下采樣縮小模糊圖像至一個小尺度，如原圖像的1/8大小。 在這個尺度求得模糊核和復(fù)原圖像，然后采用雙線性差值模式將其放大到一個稍大的尺度 層上，用此時的模糊核作為估計的模糊核，將此時的復(fù)原圖像通過雙邊濾波器和激波濾波 器濾波后得到邊緣尖銳的圖像，然后結(jié)合此尺度的模糊圖像求得更加精確的模糊核，最后 根據(jù)精確的模糊核和模糊圖像得到清晰的復(fù)原圖像。依次方法逐漸擴(kuò)大尺度層，那么模糊 核和復(fù)原圖像也會逐漸接近真實(shí)值，從而得到一個穩(wěn)健的解。在最小的尺度層估計模糊核 時，沒有上一層得到的復(fù)原圖像，我們用模糊圖來代替，由于尺度小，對其濾波后能得到一 定的尖銳邊緣信息，另外在此尺度層我們可以選用零矩陣作為模糊核的初始估算值，利用 模糊圖像和復(fù)原圖求得更為準(zhǔn)確的模糊核。對于單幅圖像的復(fù)原，采用從小尺度層逐漸到大尺度層的方法來處理，算法的收 斂性大大提高，解也更加趨于穩(wěn)定，對噪聲的敏感度也大大降低。(4)自適應(yīng)參數(shù)的設(shè)置
為了使算法對不同類型的圖片都有效收斂，我們需要設(shè)置一些自適應(yīng)變化的參 數(shù)，從而對各類不同的大模糊核的模糊圖像都適用，此模塊對結(jié)果的穩(wěn)定性有著極為關(guān)鍵 的作用。因?yàn)樵摲椒ㄊ窃谒浇鹱炙母鱾€尺度層逐步作用的，所以在每一個尺度層上的 參數(shù)需要調(diào)整設(shè)置。每兩個相鄰尺度之間的縮放設(shè)置一個適中的比例，然后一定的差值縮 放算法獲得各個尺度對應(yīng)的圖像。在步驟(3)中，在最小尺度層剛開始估計模糊核時，得到的往往是不精確的解，所 以我們用此時復(fù)原得到的圖像和模糊圖像再計算模糊核并重新求復(fù)原圖像，這樣操作多次 后，模糊核會更加準(zhǔn)確。本發(fā)明中，我們對最小尺度層處理時這樣重復(fù)操作4遍，在大尺度 上只需處理一次或兩次，因?yàn)槟：撕蛷?fù)原圖像已經(jīng)趨于實(shí)際值。小尺度時由于輸入圖像和模糊核都還不準(zhǔn)確，因而求解時迭代次數(shù)過大會產(chǎn)生一 定的誤差，在步驟(4)中，在小尺度求模糊核的共軛梯度法中迭代設(shè)次數(shù)設(shè)置一個較小的 值，而隨著尺度逐漸增大到原始大尺度，迭代次數(shù)逐漸增大到一定值，這樣既能得到一個最 佳的模糊核又可以避免過迭代產(chǎn)生圖像邊緣波紋。另外在每一次迭代后對模糊核去噪時， 設(shè)置一個隨著迭代次數(shù)增加而逐漸降低的閾值，可以保留正確的模糊核數(shù)據(jù)額而又去除虛 假的噪聲。在步驟(1)中，對得到的復(fù)原圖像進(jìn)行雙邊濾波時，設(shè)置濾波器的空間臨近權(quán)重 項標(biāo)準(zhǔn)差σ。隨著尺度的增加而逐漸減小。在步驟(2)中求邊緣時的激波濾波器的參數(shù)也 隨著尺度的增加而逐漸變化，如步長dt和迭代次數(shù)t慢慢變小。在步驟(3)求模糊核之前， 設(shè)置激波濾波后的梯度圖像上閾值濾波時，此閾值也從一個較高的值隨著尺度的增加逐漸 降到一個較低的值。以上這些參數(shù)的變化往往需要先緩慢后加速的增加或減小，本發(fā)明采用伽馬函數(shù) 對其進(jìn)行變化設(shè)定，不同的參數(shù)的伽馬值不同，其表達(dá)式如下
( 9 )式(9)中ymin表示輸出參數(shù)的最小值；yfflax表示輸出參數(shù)的最大值；y表示當(dāng)前尺度的參數(shù)值；Xmin表示最小尺度尺寸的log值；Xfflax表示最大尺度尺寸的log值；χ表示當(dāng)前尺度尺寸的log值；γ表示伽馬函數(shù)參數(shù)。上述Xmax和Xmin既可以選擇最小尺度或最大尺度的寬度的log值也可以選擇相應(yīng) 的長度的log值，對于隨著尺度增加而逐漸增加的參數(shù)伽馬函數(shù)參數(shù)為2到4之間，對于逐 漸減小的參數(shù)伽馬函數(shù)參數(shù)設(shè)為1/3到1/2之間。通過這種各尺度不同參數(shù)的設(shè)置，當(dāng)算 法進(jìn)行到最大尺寸上時，基本上都能找出正確的模糊核并復(fù)原出清晰圖像。本發(fā)明方法通過自適應(yīng)參數(shù)的設(shè)定，消除其中子算法的缺點(diǎn)，大大發(fā)揮其優(yōu)點(diǎn)，能 夠便捷穩(wěn)健地從單幅模糊圖像中獲取準(zhǔn)確的模糊核并以此復(fù)原圖像得到去模糊的清晰圖 像，它對不同紋理復(fù)雜度和不同場景的模糊圖像基本都有效，特別是對于模糊核比較大而且比較復(fù)雜的模糊圖像尤為有用。本發(fā)明方法適用于日常照相、天文拍攝、生物成像、航空 成像、醫(yī)學(xué)成像等領(lǐng)域的圖像處理方面。


圖1為本發(fā)明基于邊緣信息的多尺度模糊圖像盲復(fù)原方法的流程示意圖；圖2為本發(fā)明基于邊緣信息的多尺度模糊圖像盲復(fù)原方法從小尺度層到大尺度 層的詳細(xì)流程示意圖；圖3為本發(fā)明中待處理的原始模糊圖；圖4為從第二尺度采樣得到的復(fù)原圖像；圖5為從第二尺度采樣得到的模糊核圖像；圖6為圖4經(jīng)過雙邊濾波器處理后的圖像；圖7為圖6經(jīng)過激波濾波器處理后的圖像；圖8為第三尺度求得到的更為精確的模糊核；圖9為第三尺度對應(yīng)的模糊圖像；圖10為第三尺度求得到的更為清晰的復(fù)原圖像；圖11為模糊核隨尺度增大的演變過程；圖12為利用本發(fā)明的盲復(fù)原方法將圖3復(fù)原得到的最終的復(fù)原圖像。
具體實(shí)施例方式本發(fā)明方法的輸入信息為單幅待處理的拍攝得到的模糊圖像，此圖采用佳能EOS 40D相機(jī)拍攝獲取，參數(shù)為ISO設(shè)為250，光圈F/8，曝光時間1/8秒，無閃光無光學(xué)或數(shù)字防 抖模式手持拍攝，對獲得的模糊照片用軟件截取當(dāng)前要處理的部分得到圖3，圖3中模糊圖 像的寬度為651像素，高度為715像素。對于有較多噪聲的圖需要實(shí)現(xiàn)去噪處理。在最后一次復(fù)原圖像之前，各尺度的圖像處理都在單通道圖上進(jìn)行，如將彩色三 通道圖像轉(zhuǎn)化到單通道灰度模式處理。然后采用塔式金字塔的各個尺度逐步擴(kuò)大的方法來 處理，每兩個相鄰尺度之間的縮放設(shè)置一個適中的比例λ=力,縮放均采用雙線性差值方 式，對于寬度為500到1000像素左右的一般圖片，一般采用尺度層s為7層金字塔來處理， 對不同圖片的復(fù)原基本都可以達(dá)到收斂。首先將圖1縮小至最小尺度，本發(fā)明中設(shè)置尺度 層s = 7層的圖像金字塔，各層縮放比為^ ,因此最小的圖像寬度為83像素、高度為91像 素，將此圖像作為當(dāng)前尺度的復(fù)原圖像，使用步驟(1)到步驟(5)的方法，逐漸對圖像復(fù)原， 圖1為本發(fā)明基于邊緣信息的多尺度模糊圖像盲復(fù)原方法的流程示意圖，圖2表示這種本 發(fā)明中從小尺度層到大尺度層循環(huán)進(jìn)行的復(fù)原方法的流程圖。小尺度時由于輸入圖像和模糊核都還不準(zhǔn)確，因而求解時迭代次數(shù)過大會產(chǎn)生一 定的誤差，所以步驟(4)在最小尺度層求模糊核的共軛梯度法中迭代次數(shù)設(shè)為12，而隨著 尺度逐漸增大到原始大尺度，迭代次數(shù)逐漸增大到45次，圖像復(fù)原過程中的改進(jìn)的RL算法 的迭代次數(shù)從最小尺度的15次逐漸增加到最大尺度的45次。在步驟(1)中，對得到的復(fù)原圖進(jìn)行雙邊濾波時，把濾波器的滑動加權(quán)窗口半徑 設(shè)為3個像素，強(qiáng)度相似性權(quán)重項的標(biāo)準(zhǔn)差σ s設(shè)為0. 5，空間臨近權(quán)重項標(biāo)準(zhǔn)差σ。隨著 尺度的增加而逐漸減小，從最大的1. 8減至0. 3。在步驟(2)中求邊緣時的激波濾波器的參
數(shù)也隨著尺度的增加而逐漸變化，如迭代次數(shù)t從8變到5。在步驟(3)求模糊核之前，在 激波濾波后的梯度圖上閾值濾波時，此閾值也從0. 25降至0. 2。 這里以當(dāng)前尺度為第3層圖像金字塔的求模糊核和復(fù)原情況為例進(jìn)行詳細(xì)說明， 首先已經(jīng)從上第二尺度層采樣得到了初始復(fù)原圖和模糊核初始值，如圖4和圖5所示分別 為從第二層上采樣得到的復(fù)原圖像和模糊核。首先用雙邊濾波器對圖4進(jìn)行濾波去噪，雙 邊濾波器的處理過程如下式子所示
0127]
0129]式(2)和式(3)中
0130]Ip表示待濾波的圖像在ρ點(diǎn)的像素值；
0131]Iq表示待濾波的圖像在q點(diǎn)的像素值；
0132]Jp表示濾波后的圖像ρ點(diǎn)的像素值；
0133]ρ表示整幅圖中某像素點(diǎn)的坐標(biāo)；
0134]q表示濾波窗口中某像素點(diǎn)的坐標(biāo)；
0135]Ω表示濾波窗口像素坐標(biāo)的集合；
0136]Gc^表示標(biāo)準(zhǔn)差為0 s的高斯濾波函數(shù)；
0137]表示標(biāo)準(zhǔn)差為0。的高斯濾波函數(shù)；
0138]σ。表示空間濾波窗中空間臨近權(quán)重的標(biāo)準(zhǔn)差；
0139]σ s表示強(qiáng)度相似權(quán)重的標(biāo)準(zhǔn)差；
0140]Wp表示歸一化項；
0141]I I · I I表示求絕對值。
0142]在第三尺度層時，雙邊濾波器的濾波窗口 Ω為7X7的正方形窗口，強(qiáng)度相似權(quán)重 的標(biāo)準(zhǔn)差σ s為0. 5，空間濾波窗中空間臨近權(quán)重的標(biāo)準(zhǔn)差ο。從1. 8逐層減小到0. 3，中間 各層值根據(jù)如下表達(dá)式計算得到
式(9)中
ymin表示輸出參數(shù)的最小值； Yfflax表示輸出參數(shù)的最大值； y表示當(dāng)前尺度的參數(shù)值； xmin表示最小尺度尺寸的log值； Xmax表示最大尺度尺寸的log值； χ表示當(dāng)前尺度尺寸的log值； Y表示伽馬函數(shù)參數(shù)。
分別取最大尺度和最小尺度的寬度尺寸的log值，Y設(shè)置為1/3，經(jīng)過處理方法如下式所示Im =It -Sign(AZi)IlVJiII^( 4 )式(4)中 It表示激波濾波過程中迭代次數(shù)為t次的濾波圖像；It+1表示激波濾波過程中迭代次數(shù)為t+Ι次的濾波圖像dt表示擴(kuò)散的步長；t表示迭代次數(shù)；V表示微分算子；Δ表示拉普拉斯算子；sign( ·)表示符號函數(shù)；I I · I I表示求絕對值。此尺度時參數(shù)擴(kuò)散的步長dt為0. 1，迭代次數(shù)t為6。當(dāng)前尺度對應(yīng)的模糊圖像如圖9所示，結(jié)合圖7，將圖5中的模糊核作為初始估計 模糊核，用共軛梯度法來求當(dāng)前尺度更為精確的模糊核。首先對圖7和圖8各自求豎直方 向和水平方向的圖梯度，并對圖7的梯度圖進(jìn)行如下式子表示的閾值濾波
_ θ,〈閾值
J~\dl,其他(5)式(5)中I表示激波濾波后的圖像5/表示激波濾波后的梯度圖像；J表示閾值濾波后的圖像。abs( ·)表示絕對值函數(shù)。閾值濾波的閾值也是根據(jù)尺度的大小用式子(9)來自動調(diào)整的，在當(dāng)前第三尺度 層此閾值為0. 248。然后根據(jù)如下表達(dá)式來求模糊核K = arg inin ^ \\K 二 -雙 f +β |足|2( 6 )
(L* ,Bx )(h,B^)G{(dxL,dxB),(dyL,dyB),(SxxL,SxxB),(δ^,δ^Β),(SxyL^xyB))( )式(6)式(7)中L表示激波濾波后的圖；K表示模糊核；B表示模糊圖； 表示二維卷積算子。ω* e {ω17 ω J分別表示1階和2階梯度圖對應(yīng)的權(quán)重；
12
β表示Tikhonov正則化能量約束的系數(shù)。用共軛梯度法解求解式子(6)，共軛梯度法迭代時迭代的次數(shù)也是根據(jù)式子(9) 來自動調(diào)整的，在當(dāng)前第三尺度層迭代次數(shù)為27。每次迭代后對得到的模糊核進(jìn)行遲滯閾 值濾波，遲滯閾值濾波的初始高低閾值設(shè)為最大值的5%和3%，然后隨著迭代的進(jìn)行逐漸 減低。此步驟處理后得到第三尺度層的精確的模糊核，如圖8所示。然后根據(jù)模糊核圖8，采用加速的RL算法對當(dāng)前尺度的模糊9進(jìn)行復(fù)原，RL 算法的處理流程如下 式⑶中:t表示迭代次數(shù)；It表示圖像復(fù)原過程中經(jīng)過t次迭代后得到的復(fù)原圖像；It+1表示圖像復(fù)原過程中經(jīng)過t+Ι次迭代后得到的復(fù)原圖像；K表示模糊核； 表示二維卷積算子；Kt(X，y) = K(-χ, -y)表，表示圖模糊核K經(jīng)過空間中心對稱變換運(yùn)算。本發(fā)明中采用 Biggs D 的力口速 RL 算法(Biggs D, Andrews Μ. Acceleration of iterative image restoration algorithms [J] ；Applied Optics,1997,36 (8) 1766-1775)來加快收斂提高速度。RL算法的迭代次數(shù)t是根據(jù)尺度的大小用式子(9)來 自動調(diào)整的，在當(dāng)前第三尺度層迭代次數(shù)為19。在RL算法復(fù)原前，采用邊界擴(kuò)展的方法來 消除迭代復(fù)原中邊界波紋的擴(kuò)散。RL算法復(fù)原得到在第三尺度層的更為清晰的復(fù)原圖如圖 10所示。重復(fù)步驟(1)至步驟(5)，直到圖像大小到達(dá)原始尺度，模糊核也隨著尺度的增加 而逐漸區(qū)域準(zhǔn)確，模糊核隨尺度變化而演變過程如圖11所示。最后，根據(jù)原始尺度得到的精確的模糊核用Biggs D的加速RL算法來復(fù)原原始模 糊圖像，從而得到去模糊的圖像，最后的復(fù)原圖見圖12。本發(fā)明方法通過設(shè)置自適應(yīng)參數(shù)，大大發(fā)揮了其中子算法的優(yōu)點(diǎn)，使模糊核的估 計和圖像的復(fù)原得到最佳效果，最終構(gòu)建出一個穩(wěn)健的圖像盲復(fù)原方法。此方法能對各類不同模糊程度的圖都能有效地收斂，計算復(fù)雜度低，噪聲抑制能 力強(qiáng)。此算法在處理大模糊核的模糊圖像時，能高效快捷地得到正確的模糊核并且復(fù)原圖 像得到清晰圖。
權(quán)利要求
一種基于邊緣信息的多尺度模糊圖像盲復(fù)原的方法，包括根據(jù)待處理圖像信息確定縮放比例λ和縮放尺度層數(shù)s，將待處理圖縮小至最小尺度得到最小尺度的模糊圖像，在最小尺度層將復(fù)原圖像設(shè)定為最小尺度的模糊圖像，模糊核的初始值設(shè)定為零矩陣，從小尺度層到大尺度層逐步求解模糊核并復(fù)原圖像，同時在不同尺度設(shè)置自適應(yīng)參數(shù)，直到圖像大小到達(dá)原始尺度，得到最后精確的模糊核，并用此模糊核復(fù)原原始模糊圖像得到實(shí)際圖像尺寸的清晰圖像，其特征在于，對于每個尺度層進(jìn)行如下處理(1)根據(jù)尺度大小控制雙邊濾波器參數(shù)，對當(dāng)前尺度得到的復(fù)原圖像利用雙邊濾波器進(jìn)行雙邊濾波，得到去除噪聲和波紋的圖像；(2)根據(jù)尺度大小控制激波濾波器參數(shù)，用對步驟(1)得到的圖像利用激波濾波器進(jìn)行激波濾波，得到具有高強(qiáng)度反差邊緣的圖像；(3)對步驟(2)得到的具有高強(qiáng)度反差邊緣的圖像求邊緣，將當(dāng)前尺度的模糊核作為初始值，結(jié)合對應(yīng)尺度的模糊圖像及其邊緣，根據(jù)尺度大小控制模糊核估計算法參數(shù)，用模糊核估計算法得到當(dāng)前尺度的精確的模糊核；(4)根據(jù)尺度大小控制RL復(fù)原算法參數(shù)，用步驟(3)中得到的精確的模糊核，采取RL復(fù)原算法對當(dāng)前尺度的模糊圖像進(jìn)行復(fù)原，得到當(dāng)前尺度的清晰復(fù)原圖像；(5)將步驟(3)得到的模糊核和步驟(4)得到的復(fù)原圖像采用雙線性差值模式將其放大到相鄰的大尺度層得到相鄰大尺度層的模糊核初始值和復(fù)原圖像，同時將當(dāng)前尺度層的模糊圖像放大λ倍得到相鄰大尺度層的模糊圖，然后進(jìn)入相鄰大尺度層的循環(huán)運(yùn)算。
2.根據(jù)權(quán)利要求1所述的基于邊緣信息的多尺度模糊圖像盲復(fù)原的方法，其特征在 于，所述的步驟(1)中采用的雙邊濾波器的模型為 式(2)和式(3)中 Ip表示待濾波的圖像在P點(diǎn)的像素值； Iq表示待濾波的圖像在q點(diǎn)的像素值； Jp表示濾波后的圖像P點(diǎn)的像素值； P表示整幅圖中某像素點(diǎn)的坐標(biāo)； q表示濾波窗口中某像素點(diǎn)的坐標(biāo)； Ω表示濾波窗口像素坐標(biāo)的集合； 表示標(biāo)準(zhǔn)差為σ s的高斯濾波函數(shù)； 表示標(biāo)準(zhǔn)差為σ。的高斯濾波函數(shù)； σ。表示空間濾波窗中空間臨近權(quán)重的標(biāo)準(zhǔn)差； σ s表示強(qiáng)度相似權(quán)重的標(biāo)準(zhǔn)差； Wp表示歸一化項； I · 11表示求絕對值。
3.根據(jù)權(quán)利要求1所述的基于邊緣信息的多尺度模糊圖像盲復(fù)原的方法，其特征在于，所述的步驟(3)中求模糊核的表達(dá)式如下 式(6)和式(7)中U表示激波濾波后的圖像對應(yīng)的各個方向的一階和二階梯度圖的集合； B*表示模糊圖對應(yīng)的各個方向的一階和二階梯度圖的集合； K表示模糊核； B表示模糊圖像； 表示二維卷積算子；ω e {ω17 ω J分別表示1階和2階梯度圖像對應(yīng)的權(quán)重； β表示Tikhonov正則化能量約束的系數(shù)；其中，在用迭代法求模糊核時，在每次迭代后對其進(jìn)行遲滯閾值濾波。
4.根據(jù)權(quán)利要求1 3任一權(quán)利要求所述的基于邊緣信息的多尺度模糊圖像盲復(fù)原的 方法，其特征在于，所述的自適應(yīng)參數(shù)根據(jù)下式確定 ymin表示輸出參數(shù)的最小值； ymax表示輸出參數(shù)的最大值； y表示當(dāng)前尺度的參數(shù)值； xmin表示最小尺度尺寸的log值； Xmax表示最大尺度尺寸的log值； χ表示當(dāng)前尺度尺寸的log值； γ表示伽馬函數(shù)參數(shù)；對于隨著尺度增加而逐漸增加的參數(shù)伽馬函數(shù)參數(shù)為2到4之間，對于逐漸減小的參 數(shù)伽馬函數(shù)參數(shù)為1/3到1/2之間；所述的自適應(yīng)參數(shù)包括雙邊濾波器的空間濾波窗中空間臨近權(quán)重的標(biāo)準(zhǔn)差σ。、激波 濾波器的迭代次數(shù)和擴(kuò)散的步長、求模糊核時的遲滯閾值和RL復(fù)原算法參數(shù)。
全文摘要
本發(fā)明公開了一種基于邊緣信息的多尺度模糊圖像盲復(fù)原的方法，包括從小尺度層到大尺度層循環(huán)進(jìn)行逐步的圖像復(fù)原，在不同尺度設(shè)置自適應(yīng)參數(shù)，對每個尺度層進(jìn)行如下處理對復(fù)原圖像進(jìn)行雙邊濾波，得到去除噪聲和波紋的圖像；再經(jīng)過激波濾波得到具有高強(qiáng)度反差邊緣的圖像；然后求邊緣，結(jié)合模糊核初始值和模糊圖，得到精確的模糊核；利用求得的模糊核對當(dāng)前尺度的模糊圖像進(jìn)行復(fù)原得到清晰復(fù)原圖像；在此尺度層采樣放大得到相鄰大尺度層的復(fù)原圖像和模糊核初始值，然后進(jìn)入相鄰大尺度層的循環(huán)運(yùn)算。本發(fā)明方法對各類不同模糊程度的圖像都能有效地收斂，并且和一般的直接求能量最小化的盲復(fù)原方法相比，計算復(fù)雜度低，噪聲抑制能力強(qiáng)。
文檔編號G06T5/00GK101930601SQ20101026922
公開日2010年12月29日 申請日期2010年9月1日 優(yōu)先權(quán)日2010年9月1日
發(fā)明者馮華君, 徐之海, 戴朝約, 李奇 申請人:浙江大學(xué)