基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方法
【專利摘要】本發明涉及一種基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方法,技術特征在于:首先從當前復原圖像中預測出有效的邊緣,然后將邊緣預測信息與自然圖像邊緣的稀疏先驗信息相結合指導點擴散函數復原,最后通過一種非盲復原算法恢復出當前的目標圖像,并將此復原圖像作為下一次邊緣預測的輸入,如此迭代循環直到求出清晰的復原圖像。本發明方法結合圖像的先驗信息與退化圖像自身包含的有效信息,能有效抑制圖像復原過程中產生的偽跡并恢復出更多的細節,故復原效果更好。
【專利說明】基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原 方法 【技術領域】
[〇〇〇1] 本發明涉及一種基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方法, 即基于邊緣預測和稀疏正則項約束的湍流退化圖像盲復原。將稀疏表示理論應用于湍流圖 像盲復原領域,發明成果可應用于各類軍事或民用的圖像處理系統中。 【背景技術】
[0002] 大氣湍流是造成天文觀測圖像退化的主要原因,湍流造成空氣折射率的變化會導 致光波振幅和相位的隨機起伏,形成光強閃爍、波面畸變和光束漂移等現象。湍流對光波 傳播影響的本質就是改變了光波的原始波陣面,波陣面由平面畸變成隨機曲面,這就使目 標在成像設備焦平面的圖像產生了嚴重模糊。觀測到的圖像如果不進行復原處理,就很難 進行下一步的分類、識別等操作。為了解決這一難題,國內外學者提出一系列復原算法,根 據點擴散函數(Point spread function, PSF)是否已知,主要將復原算法歸為三大類,解 卷積復原方法、盲解卷積復原方法和介于兩者之間的近視解卷積復原方法。其中,解卷積 方法假設退化過程的PSF是完全已知的,其中包括逆濾波,維納濾波,卡爾曼濾波等經典復 原算法,此類方法需要得到確切的退化模型,但是在實際觀測活動中,造成觀測目標模糊 的點擴散函數變化是復雜并難于確定的,這就導致解卷積方法的實際復原效果并不理想, 其實用價值不高;而盲解卷積算法則假設PSF是完全未知的,該類算法包括IBD (iterative blind deconvolution)算法,NAS-RIF(nonnegativity and support recursive inverse filtering)算法等經典復原算法,IBD方法的計算復雜性較低,復原速度較快,但對噪聲非 常敏感,主要缺點是缺乏可靠性,其單值性和收斂性也是不確定的。另外,其復原對圖像 初始估計非常敏感,表現出不穩定性,NAS-RIF算法主要適用于支持域有限且背景較單一 的空間目標湍流退化圖像復原,具有比IBD算法更高的可靠性、更快的收斂性、更低的計算 復雜性,但對噪聲敏感,實際上還放大噪聲;近似解卷積算法則是假設PSF不是完全已知 也不是完全未知的,該類算法主要是將波前信息作為先驗知識引入到復原算法中對圖像進 行復原。但由于測量設備的技術問題,波前測量噪聲和誤差以及是否與當前退化圖像同步 是一個難以解決的問題。而在實際應用中,點擴散函數往往是未知的,湍流圖像復原問題被 認為是盲解卷積問題,由于盲復原問題是一個嚴重的病態問題,病態問題的解常常是不穩 定且非唯一的,因此在求解過程中常常需要加入合適的約束條件,縮小解空間,最終求得唯 一穩定的解,這便是正則化技術。最初的正則化以1 2范數作為約束條件,由于它的簡單性, 得到了廣泛的應用,但是12范數是能量的度量單位,無法證明用它求得的解是最優解。相 反,在很多情況下甚至對解的結果具有誤導性。近年來,研究表示自然圖像的邊緣具有某種 稀疏特性,學者們考慮將這種稀疏特性作為先驗知識引入到正則項約束中并用1〇范數來衡 量這種稀疏性,即將1〇范數作為約束條件應用到目標函數中,它要求方程的解具有最小數 目的非零項,由于解1〇范數被證明是NP難問題,因此在實際應用中常使用h范數來近似L 范數,因為^范數最小化問題是一個凸優化問題,同時能保證所求的解是趨于稀疏的最優 解,因此被廣泛應用到運動模糊圖像復原問題中。2011年,Krishnan研究指出1/h范數比 h范數更接近L范數,用li/%作為約束條件,能求出更趨于真實的解,但是Krishnan利用 1/12作為約束項所求的解有嚴重的偽跡。雖然近年來基于稀疏正則項約束的圖像復原算 法被廣泛使用,但到目前為止大部分研究集中在運動模糊圖像復原中。并且大部分基于稀 疏正則項約束的方法直接將退化圖像的梯度圖像作為自然圖像的邊緣指導點擴散函數復 原,由于退化圖像存在比較嚴重的模糊和噪聲,所求的梯度圖像必然包含許多偽邊緣,這些 偽邊緣會誤導點擴散函數復原結果,從而導致復原的圖像包含較多的偽跡。
[0003] 以往的圖像盲復原算法在退化圖像噪聲或模糊程度比較嚴重的情況下,容易使復 原圖像出現嚴重的偽跡,使復原圖像難以獲得令人滿意的效果。
【發明內容】
[0004] 要解決的技術問題
[0005] 為了避免現有技術的不足之處,本發明提出一種基于邊緣預測和稀疏比值正則約 束的湍流退化圖像盲復原方法。
[0006] 技術方案
[0007] -種基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方法,其特征在于 步驟如下:
[0008] 步驟1、對湍流退化圖像Y和點擴散函數k進行多尺度級數分解:首先對大小為K_ size的點擴散函數進行下抽樣,直到點擴散函數縮小到規定尺寸K_min,下抽樣次數為L ; 然后,對模糊圖像進行L次下抽樣,得到L級圖像,將分辨率最低的記為第1級圖像,分辨率 最1?的記為第L級圖像;
[0009] 步驟2 :對當前復原圖像進行邊緣預測:對第一級的湍流退化圖像進行邊緣預測, 并經過雙邊濾波器進行濾波,得到圖像XL ;然后將XL經過沖擊濾波器進行濾波,得到圖像 為XS ;最后將XS映射到梯度域,以梯度閾值對XS的梯度圖像進行截斷處理,剔除無效的邊 緣,輸出的邊緣為
【權利要求】
1. 一種基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方法,其特征在于步 驟如下: 步驟1、對湍流退化圖像Y和點擴散函數k進行多尺度級數分解:首先對大小為K_size 的點擴散函數進行下抽樣,直到點擴散函數縮小到規定尺寸K_min,下抽樣次數為L ;然后, 對模糊圖像進行L次下抽樣,得到L級圖像,將分辨率最低的記為第1級圖像,分辨率最高 的記為第L級圖像; 步驟2 :對當前復原圖像進行邊緣預測:對第一級的湍流退化圖像進行邊緣預測,并經 過雙邊濾波器進行濾波,得到圖像XL ;然后將XL經過沖擊濾波器進行濾波,得到圖像為XS ; 最后將XS映射到梯度域,以梯度閾值對XS的梯度圖像進行截斷處理,剔除無效的邊緣,輸 出的邊緣為
; 步驟3、對點擴散函數k進行估計: 采用代價函數
對點擴散函數k進行估計,其 中λ,Ψ表示權重,?表示卷積算子,
表示梯度算子,
為X方向上的梯 度算子,▽ y為y方向上的梯度算子; 將代價函數拆分為: 邊緣
采用iterative shrinkage-thresholding algorithm(ISTA)算法對其進行求解; 點擴散函數
,米用 unconstrained iterative re-weighted least squares算法對其進行求解,并將所求的解映射到約束
1上; 將上述兩個解▽ ' X和k進行交替迭代,直到達到內層循環迭代次數iter_in為止,得 出估計的點擴散函數k ; 步驟4、對湍流退化圖像Y進行復原:采用公式
,選擇非盲解 卷積的方法對湍流圖像進行復原,求得的X為當前復原圖像,其中τ表示權重; 將復原圖像X作為下一次迭代中邊緣預測的輸入圖像,重復步驟2?步驟4,直到達到 外層循環迭代次數iter_〇Ut為止; 對每一級圖像執行步驟2?步驟4,并將上一級的復原圖像X、湍流退化圖像Y和點擴 散函數k進行上抽樣,作為下一級復原算法的初始輸入,直到達到最大級數L為止。
2. 根據權利要求1所述基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方 法,其特征在于:所述梯度閾值的確定為:將圖像XS的梯度方向分為4個方向,將每個方向 的梯度大小按照從大到小的順序排列,尋找一個閾值使得每個方向至少有
個最大的 梯度值;其中Pk為點擴散函數的總像素值。
3. 根據權利要求1所述基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方 法,其特征在于:所述雙邊濾波器的半寬
4. 根據權利要求1所述基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方 法,其特征在于:所述抽樣比例為
5. 根據權利要求1所述基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方 法,其特征在于:所述點擴散函數縮小到規定尺寸
6. 根據權利要求1所述基于邊緣預測和稀疏比值正則約束的湍流退化圖像盲復原方 法,其特征在于:所述定點擴散函數大小
【文檔編號】G06T7/00GK104091314SQ201410348851
【公開日】2014年10月8日 申請日期:2014年7月22日 優先權日:2014年7月22日
【發明者】李暉暉, 錢林弘, 郭雷, 楊寧 申請人:西北工業大學