用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法
【專利摘要】本發(fā)明公開了一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，主要解決如何更加準(zhǔn)確的實(shí)現(xiàn)圖像盲復(fù)原方法中模糊核估計(jì)的問(wèn)題，進(jìn)而復(fù)原出理想的圖像。其實(shí)現(xiàn)步驟為：考慮梯度圖像的近鄰關(guān)系，用自回歸(AR)策略改進(jìn)迭代閾值策略從而估計(jì)出一個(gè)模糊核；另一方面使用啟發(fā)式濾波器增強(qiáng)圖像邊緣信息去估計(jì)另一個(gè)模糊核；而后，將低秩逼近的策略引入到模糊核的估計(jì)過(guò)程中去求解出一個(gè)更加可靠的模糊核。最后使用一種先進(jìn)的圖像復(fù)原方法來(lái)復(fù)原出清晰地圖像。本發(fā)明與現(xiàn)有的一些方法相比，具有更高的PSNR，SSIM和FSIM值，在視覺上也有更好的效果不僅有效的去除模糊，保持了更多的細(xì)節(jié)，而且估計(jì)出來(lái)的模糊核也更加準(zhǔn)確。
【專利說(shuō)明】用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及圖像盲復(fù)原領(lǐng)域的應(yīng)用，具體的說(shuō)是一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，可用于對(duì)各種未知模糊且受到輕微噪聲影響的降質(zhì)圖像進(jìn)行圖像復(fù)原。

【背景技術(shù)】
[0002]圖像盲復(fù)原是指祛除或減輕已獲得的數(shù)字圖像中受到的各種未知因素導(dǎo)致的圖像模糊，同時(shí)，該獲得的圖像也會(huì)受到一些不可避免的噪聲影響。因此圖像的盲復(fù)原是圖像處理中重要而又富有挑戰(zhàn)性的研究?jī)?nèi)容。它在許多方面都有很重要的應(yīng)用，如醫(yī)學(xué)圖像處理、材料科學(xué)圖像處理、公安、歷史、人文照片圖像復(fù)原、監(jiān)控錄像復(fù)原、和掃描文檔處理等方面。針對(duì)該問(wèn)題，研究者們已經(jīng)提出了很多方法。
[0003]比較經(jīng)典的方法如基于最大后驗(yàn)概率的方法(MAP), Fergus R, SinghB, Hertzmann A, et al.Removing camera shake from a single photograph[C]//ACMTransact1ns on Graphics (TOG).ACM, 2006, 25 (3): 787-794.該方法首先采用變分貝葉斯的策略去獲得模糊核，然后用一種非盲的圖像復(fù)原方法去求解出清晰地圖像。但是這種方法的數(shù)學(xué)原理過(guò)于復(fù)雜，即便對(duì)于含輕微的噪聲的圖像模糊核的估計(jì)也會(huì)受到很大的影響。導(dǎo)致圖像模糊的原因可以用數(shù)學(xué)的方法描述為一個(gè)模糊矩陣，該模糊矩陣稱為模糊核。
[0004]另外一類方法是利用圖像顯著邊緣信息去復(fù)原圖像，這些方法認(rèn)為圖像的邊緣信息在圖像盲復(fù)原的過(guò)程中起的作用大于勻質(zhì)區(qū)域等其他圖像信息。比較有代表性的如 S.Cho and S.Lee.Fast mot1n deblurring.ACM Trans.Graph., pages 145:1 -145:8, 2009.該方法用啟發(fā)式濾波器去增強(qiáng)圖像邊緣，然后使用這些處理過(guò)的邊緣信息去估計(jì)出模糊核。由于過(guò)多依賴于這些啟發(fā)式的濾波器，這種方法也存在模糊核估計(jì)不夠準(zhǔn)確的缺點(diǎn)。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于針對(duì)已有技術(shù)的不足，提出一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，以提高模糊核估計(jì)的準(zhǔn)確性進(jìn)而使圖像盲復(fù)原的效果更佳。
[0006]為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟:
[0007](I)設(shè)置邊長(zhǎng)為3，空間域標(biāo)準(zhǔn)差為0.6，值域標(biāo)準(zhǔn)差為0.7的用于預(yù)處理的雙邊濾波器f，然后對(duì)待處理的降質(zhì)圖像I進(jìn)行雙邊濾波，得到邊緣銳化并且抑制噪聲影響的圖像
y(1)；
[0008](2)初始化相關(guān)條件及參數(shù)，生成梯度圖像矩陣；
[0009](3)對(duì)梯度圖像矩陣Vy,(1)在金字塔模型(即將圖像用雙三次差值的方法下采樣為
η層，相鄰兩層之間的比例在本發(fā)明中為舊)的第i(i = I, η)層使用如下沖擊響應(yīng)濾波器去增強(qiáng)明顯的圖像邊緣:

【權(quán)利要求】
1.一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，包括如下步驟:步驟1:設(shè)置邊長(zhǎng)為3，空間域標(biāo)準(zhǔn)差為0.6，值域標(biāo)準(zhǔn)差為0.7的用于預(yù)處理的雙邊濾波器f，然后對(duì)待處理的降質(zhì)圖像I進(jìn)行雙邊濾波，得到邊緣銳化并且抑制噪聲影響的圖像y(1)； 步驟2:初始化相關(guān)條件及參數(shù)，生成梯度圖像矩陣； 步驟3:對(duì)梯度圖像矩陣v,在金字塔模型的第i (i = 1，η)層使用如下沖擊響應(yīng)濾波器去增強(qiáng)明顯的圖像邊緣: I ,=1-_(A/,)||V/, \\dt(I) 步驟4:根據(jù)梯度圖像矩陣巧/”訓(xùn)練當(dāng)前層(第i層)的水平方向自回歸(AR)系數(shù)碼&與垂直方向自回歸(AR)系數(shù); 步驟5:初始化更新閾值調(diào)節(jié)參數(shù)CostbefOTe = LScost+Recost+ARcost:
其中 x ⑴為金字塔第 i層迭代過(guò)程中更新產(chǎn)生的梯度圖，第1次迭代時(shí)初始化為V I = 1,2...n,k(i)為金字塔第i層迭代過(guò)程中更新產(chǎn)生的模糊核；另外，在第1次迭代中ARrast = O，其他迭代次的按步驟(Ila)計(jì)算出的值更新計(jì)算，11.112與M.111分別表示矩陣的2范數(shù)運(yùn)算與I范數(shù)運(yùn)算，IMI;表示F范數(shù)，λ為似然項(xiàng)Al x(il? P1-VjfH i = 1，2...η的系數(shù)，本方法中取為90 ； 步驟6:使用迭代閾值算法(ISTA)優(yōu)化算法優(yōu)化:
步驟7:計(jì)算更新迭代閾值算法(ISTA)閾值的參數(shù)Costate并判斷CostafCT是否大于1.12*Costbefore 然后做處理； 步驟8:使用重賦權(quán)值的最小二乘法(IRLS)去優(yōu)化πη/1|μ?&-ν>’(1) ||〖+Fpll1，且




K有k≤0，Σ jkj = 1，此處kj指模糊核k在j點(diǎn)的像素值； 步驟9:重復(fù)步驟(5)~(8) iter次求取估計(jì)出的模糊核k(1)i = 1，2...η,在本方法中iter為用戶參數(shù)，一般取21 ;然后使用雙線性插值的辦法將估計(jì)出的模糊核k(i)與X⑴上采樣，并將其作為金字塔下一層的初始值； 步驟10，重復(fù)步驟(3)~(10)n次，η的取值與步驟2相同，為金字塔的層數(shù)，另外，為了抑制噪聲影響將金字塔最后一層估計(jì)出模糊核&中小于像素值O的像素值賦值為0，在金字塔最后一層輸出估計(jì)的模糊核h；步驟11:對(duì)待處理的降質(zhì)圖像y不做任何處理，與步驟(2)相同，計(jì)算金字塔模型的層數(shù)η,并使用雙線性插值的方法縮放y至最粗略層(第I層)^ i = l，同時(shí)用Yi i = l更新i = 1，并且設(shè)定每一層梯度圖像大小之間的遞進(jìn)倍數(shù)為VI，，更新初始化最粗略層的模糊核&iW，i = l; 步驟12:重復(fù)執(zhí)行步驟(2)，(4)~(11)，輸出第2個(gè)估計(jì)出的模糊核k2; 步驟13:利用估計(jì)出來(lái)的模糊核Ic1和k2求取最后的模糊核k ； 步驟14:利用估計(jì)出來(lái)的模糊核k，通過(guò)優(yōu)化式(2)來(lái)估計(jì)清晰圖像
(2)其中x是欲估計(jì)的清晰圖像，I為觀測(cè)到的降質(zhì)圖像，Tf是托普利茲(toeplitz)矩陣； 步驟15:輸出處理后的清晰圖像X和估計(jì)的模糊核k。
2.根據(jù)權(quán)利要求1所述的一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，其中初始化相關(guān)條件及參數(shù)，生成梯度圖像矩陣的包括: 2a)利用預(yù)設(shè)的模糊核大小ksize計(jì)算金字塔模型的層數(shù)n，根據(jù)最粗略層(第I層)模糊核的大小與ksize的比例關(guān)系，使用雙線性插值的方法縮放/1)至最粗略層(第I層)兄(1)i = 1，并且設(shè)定每一層梯度圖像大小之間的遞進(jìn)倍數(shù)為2，同時(shí)初始化最粗略層的模糊核A,，? = 1； 2b)將水平梯度算子dx = [-1，I ;0，O]與垂直的dy = [-1，O ;1，O]與金字塔分別與第i層圖像if進(jìn)行卷積得 到梯度域的圖像和V.1f，i = 1，2...n，并連接合并為梯度圖像矩陣 vJ7P i = 1，2...η。
3.根據(jù)權(quán)利要求1所述的一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，其中步驟3的(I)中包括: 3a)將(I)中的I置換為梯度圖像矩陣和▽〕<)，VJjP Λ It分別指利用拉普拉斯算子和梯度算子對(duì)梯度圖像矩陣K,,11和Vyf1進(jìn)行運(yùn)算； 3b)設(shè)置dt為每次迭代的中削弱因子，本方法中取0.08，迭代(I)式5次，將處理后的梯度圖像矩陣合并更新YyfL
4.根據(jù)權(quán)利要求1所述的一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，其中步驟4包括: 4a)取訓(xùn)練自回歸(AR)系數(shù)所需的窗口大小為3X3，并將梯度圖像矩陣和圍繞邊界一個(gè)像素進(jìn)行映射處理，同時(shí)根據(jù)3X3窗口大小將和V.1f為拉成miX9的矩陣A與夂，i = 1,2 ； 4b)提取矩陣A與及的第5行，記為Y1與Y2,根據(jù)ARh = (XlX1XiXlYl，AR,分別計(jì)算^? (水平方向)與碼v (垂直方向)i = 1，2。
5.根據(jù)權(quán)利要求1所述的一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，其中步驟7具體包括: 7a)將迭代更新出的x(i)分解為Xik與.，依據(jù)3 X 3的窗口分解，將其拉成Hii X 9的矩陣i = 1，2...n，提??；^與 Xf11的第 5 行，記為 C 與C，i = 1，2...η ;
7c)計(jì)算更新迭代后的從。si=蜂(ow,n與計(jì)算Re =|f^，i =.1,2...η其中λ為似然項(xiàng)系數(shù)本方法中取為90 ； . 7d)計(jì)算更新迭代后的閾值調(diào)節(jié)參數(shù)CostafCT = LScost+ReC0St+ARC0St ； . 7e)如果CoStafe)l.12*CostbefOTe，調(diào)節(jié)ISTA下一次迭代的閾值為當(dāng)前次的0.62倍；.7f)如果Costafe/l.12*CostbefOTe，ISTA下一次迭代的閾值不變，停止ISTA優(yōu)化跳入步驟⑶。
6.根據(jù)權(quán)利要求1所述的一種用于圖像盲復(fù)原的低秩逼近的模糊核估計(jì)方法，其中步驟13具體包括: . 13a)將估計(jì)出來(lái)的模糊核Ii1和k2分別拉成一列后并起來(lái)記為Dk，然后利用Go-dec算法進(jìn)行低秩分解； .13b)將分解后的低秩部分記為ker,將ker按照預(yù)設(shè)模糊核的大小復(fù)原為ksize;X ksize;的模糊核k。
【文檔編號(hào)】G06T5/00GK104166961SQ201410361709
【公開日】2014年11月26日 申請(qǐng)日期:2014年7月28日 優(yōu)先權(quán)日:2014年7月28日
【發(fā)明者】王爽, 馬文萍, 藺少鵬, 霍麗娜, 岳波, 侯彪, 馬晶晶, 侯小瑾 申請(qǐng)人:西安電子科技大學(xué)