一種車牌圖像去模糊的方法及系統的制作方法
【專利摘要】本發明公開了一種車牌圖像去模糊的方法及系統,其中,該方法包括:基于稀疏表達系數和角度之間的函數關系依次進行粗粒度角度估計與精細角度估計,獲得卷積核角度參數;根據所述卷積核角度參數,并基于頻譜特性來進行長度估計,獲得卷積核長度參數;利用卷積核角度與長度參數構造出卷積核,再利用圖像去模糊算法獲得清晰圖像。通過采用本發明公開的方法及系統提高了圖像的去模糊效果,減少了計算復雜度,且具有較高魯棒性。
【專利說明】
【技術領域】
[0001] 本發明涉及圖像處理【技術領域】,尤其涉及一種車牌圖像去模糊的方法及系統。 一種車牌圖像去模糊的方法及系統
【背景技術】
[0002] 近年來,隨著城市主干道和高速公路的車輛監控系統越來越普及,監控攝像頭的 取證為超速等違法行車行為提供了證據。然而對于超速行駛的車輛,很多時候拍攝到的車 牌遭受嚴重的模糊影響,甚至人眼無法識別出確切的車牌,這為法律的取證造成了障礙,對 于高速運動的車牌去模糊有著很迫切的實際需求和重大意義。
[0003] 快速發展的盲去圖像卷積(BID)技術為去除由于運動造成的模糊帶來了機遇。對 于圖像模糊的問題,一般分為兩類:1)由空間不變的卷積核引起的模糊;2)由空間變化的 卷積核引起的模糊。超速運動的車牌適用于第一類情況。在數學上,卷積核造成的模糊的 模型可以描述為:
[0004]
【權利要求】
1. 一種車牌圖像去模糊的方法,其特征在于,該方法包括: 基于稀疏表達系數和卷積核角度參數之間的函數關系具有凸函數性質,以及在期望的 卷積核角度參數上具有最小的稀疏表達系數的基礎上,依次進行粗粒度角度估計與精細角 度估計,獲得卷積核角度參數; 根據所述卷積核角度參數,并基于線型卷積核具有類辛格SINC函數頻譜特性和自然 圖像的頻譜衰減特性來進行卷積核的長度估計,獲得卷積核長度參數; 利用卷積核角度與長度參數構造出卷積核,再利用圖像去模糊算法獲得清晰圖像。
2. 根據權利要求1所述的方法,其特征在于,所述粗粒度角度估計的步驟包括: 獲取初始模糊圖像Y、預設的步長△及預設的卷積核長度1、初始角度,循環進行下 述步驟,直至收斂: 生成該初始模糊圖像的卷積核
其中,m表示循環次數; 將所述卷積核
帶入下式替代參數k :
其中,I表示希望恢復的清晰圖像,Y為觀測到的模糊圖像,11 |τν表示變量I的總變分 差和;
.表示k*I-Y的弗羅貝尼烏斯范數Frobenius范數,λ表示平衡因子,*代表 卷積算子; 計算得到
,并帶入下式替代變量I :
其中,Ω」表示抽取圖像中一個小塊patch的操作,D表示事先訓練得到的字典,α』表 示圖像中的一個小塊在字典上的稀疏表示; 計算得到
,其中,
若所述
i中的最小值為.
,則表示已收斂; 若所述
中的最小值為
,則
若所述
中的最小值為
則
獲得粗粒度角度估計結果θπ。
3. 根據權利要求1或2所述的方法,其特征在于,所述精細角度估計的步驟包括: 獲取初始模糊圖像、粗粒度角度估計結果θπ#及預設的長度1' ; 以所述初始模糊圖像的(θπ,1')為中心,生成一系列的參數對(0^1/)對應生成的 卷積核記為&; 將所述卷積核h帶入下式替代變量k :
計算得到Ii,并帶入下式替代變量I:
計算得到Ai,其中,
對所述Ai按照大小順序進行排序,并選出最小的η個Ai對應的角度Θ i ; 計算所述最小的η個化對應的角度平均值Θ,并將該平均值Θ作為精細角度 估計結果。
4. 根據權利要求1所述的方法,其特征在于,所述獲得卷積核長度參數的步驟包括: 獲取初始模糊圖像以及精細角度估計結果Θ ; 將所述初始模糊圖像擴展到NXN的大小,并計算其傅里葉變換的幅度,并在此之上計 算對數記做
; 在精細角度估計結果Θ上,做Radon變換,結果記做
其中,P表示頻率; 使用最小二乘方法對所述
進行多項式擬合,擬合結果記為.
并 得到所述
與所述
相減之差的連續極小值之間的距離d ; 從而獲得卷積核長度參數:
5. 根據權利要求4所述的方法,其特征在于,計算距離d的步驟包括: 在計算擴展到NXN大小初始模糊圖像的傅里葉變換的幅度時,對應的卷積核傅里葉 變換的幅度記為Fk,且依次對所述Fk做對數運算及Radon變換,結果記為
當趨近所述Fk的零點時,所述
和.
之間的誤差最大,則通過下式 的局部極值來檢測Fk的零點:
通過檢測
的局部極小值,得到Fk兩個連續零點之間的距離d。
6. 根據權利要求1、2、4或5所述的方法,其特征在于,該方法還包括: 根據清晰的圖像進行訓練,獲得清晰圖像的先驗知識;具體的:采用稀疏表達算法來 訓練得到一個可以稀疏地表達清晰圖像的字典,該訓練為針對圖像中的每一小塊patch所 進行。
7. -種車牌圖像去模糊的系統,其特征在于,該系統包括: 卷積核角度估計模塊,用于基于稀疏表達系數和卷積核角度參數中之間的函數關系具 有凸函數性質,以及在期望的卷積核角度參數上具有最小的稀疏表達系數的基礎上,依次 進行粗粒度角度估計與精細角度估計,獲得卷積核角度參數; 卷積核長度估計模塊,用于根據所述卷積核角度參數,并基于線型卷積核具有類辛格 SINC函數頻譜特性和自然圖像的頻譜衰減特性來進行卷積核的長度估計,獲得卷積核長度 參數; 去卷積模糊模塊,用于利用卷積核角度與長度參數構造出卷積核,再利用圖像去模糊 算法獲得清晰圖像。
8. 根據權利要求7所述的系統,其特征在于,所述卷積核角度估計模塊包括:粗粒度角 度估計模塊,用于粗粒度角度估計;所述粗粒度角度估計的步驟包括: 獲取初始模糊圖像Y、預設的步長△及預設的卷積核長度1、初始角度,循環進行下 述步驟,直至收斂: 生成該初始模糊圖像的卷積核
,其中,m表示循環次數; 將所述卷積核
帶入下式替代參數k :
其中,I表示希望恢復的清晰圖像,Y為觀測到的模糊圖像,11 |τν表示變量I的總變分 差和;
表示k*I-Y的弗羅貝尼烏斯范數Frobenius范數,λ表示平衡因子,*代表 卷積算子; 計算得到
,并帶入下式替代變量I :
其中,Ω」表示抽取圖像中一個小塊patch的操作,D表示事先訓練得到的字典,α』表 示圖像中的一個小塊在字典上的稀疏表示; 計算得到2
,其中,
若所述>
中的最小值為_
,則表示已收斂; 若所述
中的最小值為^
,則
若所述
中的最小值為
,則
獲得粗粒度角度估計結果θπ。
9. 根據權利要求7或8所述的系統,其特征在于,所述卷積核角度估計模塊包括:精細 角度估計模塊,用于精細角度估計;所述精細角度估計的步驟包括: 獲取初始模糊圖像、粗粒度角度估計結果θπ#及預設的長度1' ; 以所述初始模糊圖像的(θπ,1')為中心,生成一系列的參數對(0^1/)對應生成的 卷積核記為&; 將所述卷積核h帶入下式替代變量k :
計算得到Ii,并帶入下式替代變量I :
計算得到Αρ其中,
; 對所述Ai按照大小順序進行排序,并選出最小的η個Ai對應的角度Θ i ; 計算所述最小的η個化對應的角度平均值Θ,并將該平均值Θ作為精細角度 估計結果。
10. 根據權利要求7所述的系統,其特征在于,所述卷積核長度估計模塊獲得卷積核長 度參數的步驟包括: 獲取初始模糊圖像以及精細角度估計結果Θ ; 將所述初始模糊圖像擴展到NXN的大小,并計算其傅里葉變換的幅度,并在此之上計 算對數記做l〇g(|FB|); 在精細角度估計結果Θ上,做Radon變換,結果記做
; 使用最小二乘方法對所述
進行多項式擬合,擬合結果記為
,并 得到所述
與所述j
相減之差的連續極小值之間的距離d ; 從而獲得卷積核長度參數:
11. 根據權利要求10所述的系統,其特征在于,計算距離d的步驟包括: 在計算擴展到NXN大小初始模糊圖像的傅里葉變換的幅度時,對應的卷積核傅里葉 變換的幅度記為Fk,且依次對所述Fk做對數運算及Radon變換,結果記為
; 當趨近所述Fk的零點時,所述
和
之間的誤差最大,則通過下式 的局部極值來檢測Fk的零點:
通過檢測,
^的局部極小值,得到Fk兩個連續零點之間的距離d。
12. 根據權利要求7、8、10或11所述的系統,其特征在于,該系統還包括: 訓練模塊,用于根據清晰的圖像進行訓練,獲得清晰圖像的先驗知識;具體的:采用稀 疏表達算法來訓練得到一個可以稀疏地表達清晰圖像的字典,該訓練為針對圖像中的每一 小塊patch所進行。
【文檔編號】G06T5/00GK104091315SQ201410355699
【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】李厚強, 盧慶博, 周文罡 申請人:中國科學技術大學