基于圖像塊先驗與稀疏范數的盲去模糊方法
【專利摘要】本發明提出一種基于圖像塊先驗與稀疏范數的盲去模糊方法,主要是解決現有技術對圖像去模糊質量差的問題,其方案是:輸入模糊圖像;初始化模糊核、二進制掩模,候選圖像;調用金字塔模型,將候選圖像根據金字塔層數下采樣,對候選圖像與模糊核上采樣;更新二進制掩模、更新圖像塊方差、更新圖像樣例塊;固定參數更新模糊核、候選圖像,直到金字塔最后一層;設置迭代次數,固定模糊核以及候選圖像的范數保持不變,對模糊核添加的l1范數正則,得到新候選圖像;固定候選圖像不變,對候選圖像添加的l1/l2范數正則項,得到新模糊核;直到迭代到最高次數。本發明提升了盲去模糊的效果和魯棒性,可用于醫療器械、計算機視覺及圖像視頻處理。
【專利說明】
基于圖像塊先驗與稀疏范數的盲去模糊方法
技術領域
[0001] 本發明屬于圖像處理技術領域,特別設及一種圖像盲去模糊方法,可用于航空航 天、醫療器械、計算機視覺W及圖像視頻處理。
【背景技術】
[0002] 隨著個人智能設備的廣泛推廣使用,人手一臺照相機已然成為事實。在運個智能 化的時代,人們無時無刻不在與圖片打交道,小到生活中自己拍攝的生活圖片,大到神舟屯 號伴飛小衛星對神州屯號的長達20分鐘的拍照。運其中都會設及到圖像去模糊的相關知 識,因此研究圖像去模糊也就變得有相當重要的有意義。
[0003] 圖像在形成,記錄,傳輸的過程中,由于受光學成像系統的相差,成像衍射,成像非 線性,系統噪聲多種因素的影響,圖像的質量都會有所下降,圖像的如上所述的一系列的過 程即為圖像的退化。而圖像恢復,亦稱為圖像復原,就是盡最大可能減少或消除圖像的質量 的下降,恢復被退化圖像的本來面目。
[0004] 初期的圖像去模糊問題可W追溯至上世紀探索外太空興起時期,由于受到極端惡 劣天氣或者大氣端流等因素影響,會造成圖像質量的下降。運種圖像質量的下降對于科學 研究有非常大的影響。因此,圖像去模糊的研究是非常有必要且又富有挑戰性的研究內容。 再比如在視頻監控方面,監控視頻的獲得是不可逆的,也就是調閱之前的監控視頻發現有 模糊的場景存在時,監控視頻是不能重新拍攝的,運時就需要進行圖像去模糊才能獲取更 多的信息。此外,圖像去模糊還在其他許多方面都有很重要的應用,比如材料科學圖像處 理,公安、歷史、人文照片圖像復原,掃描文檔處理,星載,機載等航空偵察系統等方面。從單 幅模糊圖像中恢復出一幅清晰的圖像早已成為一個日益基礎且重要的研究問題。
[0005] 圖像去模糊是與圖像退化完全相反的過程,根據退化的成因是否已知,可W將圖 像去模糊任務分為圖像非盲去模糊和圖像盲去模糊兩種。圖像的非盲去模糊即是知道圖像 的退化原因,從而從一幅模糊圖像中恢復出一幅清晰圖像,通常需要注意的問題是減少可 能存在的振鈴效應和不可抑制的噪聲。而圖像盲去模糊則是在并不知道退化原因的情況 下,從一幅模糊圖像中恢復出一幅清晰的圖像。圖像的盲去模糊面臨的問題更多,因為圖像 的退化原因 W及清晰圖像都是未知的。因此,對于圖像去模糊問題的研究是非常有意義而 且是非常有必要的。
[0006] 圖像模糊在日常生活中十分常見,對于模糊核已知的去模糊過程,稱之為非盲去 模糊;對于模糊核未知的去模糊過程,稱之為盲去模糊。對整幅圖像的每個像素都通過相同 模糊方式進行模糊,稱之為均勻模糊;反之在圖像的不同區域,模糊的方式各不相同,稱之 為非均勻模糊。非均勻模糊更貼近于現實生活中的模糊現象。
[0007] 對于均勻盲去模糊的求解過程,目標就是從模糊圖像中恢復清晰圖像和模糊核。 顯然運是一個病態問題,即有多組候選解。為了克服盲去模糊過程中的病態問題,早期的去 模糊理論提出了參數化模糊核的方法,認為模糊核的形狀為線性核,只有長度和角度兩個 變量,雖然該方法解決了一部分去模糊的問題,但是現實生活中的模糊成因相對比較復雜, 所W存在相當大的應用局限性。之后有些前輩的工作中對模糊圖像添加假設或者先驗知 識。例如,通常假設它是稀疏的并且是連續的,通常假設圖像的梯度信息服從重尾分布。在 此之后,一些新的理論方法取得了更好的效果,可W估計出更可靠的模糊核、圖像質量更高 的候選圖像W及更好的魯棒性。而后在商業軟件上也出現了很好的應用,例如Photoshop系 列軟件提供的防抖功能。
[0008] 目前,盲去模糊方法進入了一個發展的黃金期,主要有=種方法:
[0009] 第一種為基于最大后驗概率的方法,該類方法尋求最有可能的解決方案,最大限 度地提高模糊核k和候選圖像X的聯合后驗概率分布。該類方法簡單易懂,缺點是有時可能 會收斂到我們并不希望的解;
[0010] 第二種為基于變分貝葉斯的方法,該類方法是在基于最大后驗概率的基礎上發展 出來的,由于其考慮所有可能的解,因而比基于最大后驗概率的算法魯棒性更好,但缺點是 速度較慢;
[0011] 第=種是基于邊緣預測的方法,該類方法認為模糊核k可W從一小部分圖像邊緣 中估計出來,并使用啟發式圖像濾波器來恢復銳利的邊緣,該類方法在模糊核k估計階段速 度非常快,并且在實驗中證明是有效的,但是因為加入了啟發式濾波的步驟,所W理論分析 特別困難。
【發明內容】
[0012] 本發明針對上述方法中的不足,提出一種基于圖像塊先驗與稀疏范數的盲去模糊 方法W提升盲去模糊的適應性、可靠性和魯棒性。
[0013] 本發明的技術關鍵是:在金字塔模型的最后一層中,添加一項基于當下效果最好 的稀疏范數正則項,使得迭代過程中,估計模糊核的階段指向正確的方向,從而得到更加逼 近真實場景的模糊核,其實現步驟包括如下:
[0014] (1)輸入模糊圖像y,將模糊圖像y設為候選圖像;
[0015] (2)取大小為3 X 3的高斯模糊核作為初始化模糊核,用ki表示;
[0016] (3)取全為0的與圖像大小相同的二進制掩模作為初始掩模,用Mi表示,對外部樣 例塊數據集為BSD500標準數據集進行學習,得到本發明的初始化外部圖像樣例塊;
[0017] (4)對模糊圖像y進行初始化,得到初始候選圖像/
[001引
<1〉
[0019] 其中,K代表模糊核ki的矩陣形式,y代表輸入的模糊圖像,/代表本次迭代想要得 到的清晰候選圖像,D*是不同方向上偏微分的矩陣形式,W*是運些不同方向偏微分所對應的 標量權重,Dh和Dv分別為水平和垂直方向上的一階偏導數的矩陣形式,X是和候選圖像大小 相同的未知矩陣,表示目標函數為最小值時的X的返回值.
[0020] (5)調用高斯金字塔模型,根據初始化時設定的模糊核ki的大小,計算金字塔總層 數N,初始金字塔層數標簽t = 1;
[0021] (6)將候選圖像/根據金字塔層數進行下采樣,得到金子塔層第1層的候選圖像xi;
[0022] (7)將候選圖像xt和模糊核kt根據金子塔層數進行上采樣;
[0023] (8)判斷金字塔標簽t是否為N,如果是,保存N層的候選圖像/和模糊核kW執行驟 (9),否則執行步驟(14);
[0024] (9)設置局部迭代最高次數為200,迭代次數標簽j = l,將(8)中求得的候選圖像/ 用打表示,作為新的候選圖像,將模糊核1^*用1(^表示,作為新的模糊核;
[0025] (^巧十算當前候選圖像乂^^的^范數;
[0026] (11)保持模糊核ki^及候選圖像r的b范數|陽||2保持不變,采膽l/l2范數的稀 疏正則對圖像迭代方向加 W限制,根據迭代收縮闊值算法優化公式計算新候選圖像X^.
[0027]
, <2>
[00%]其中,護為為j次迭代的模糊核,X為與候選圖像大小相同的未知矩陣,y為輸入的 模糊圖像,@為二維卷積運算符,式中的第一項為數據保真項,第二項是對X添加的h/l2范 數正則項,最后一項是對模糊核護添加的h范數正則,標量權重a和e用來表示控制模糊核KJ 和圖像正則項的相對強度,argmin表示目標函數為最小值時的X的值;
[0029] (12)保持候選圖像不變,根據下式計算新的模糊核KJ+1;
[0030]
, "3>
[0031] 其中,y為輸入的模糊圖像,@為二維卷積運算符,k為與模糊核大小相同的未知矩 陣,arg min表示目標函數為最小值時的k的值,第一項為數據保真項,第二項是對候選圖像 軒1添加的h/l2范數正則項,標量權重a表示控制模糊核的相對強度,將模糊核求解問題轉 化為優化問題,采用雙共輛梯度解法求解方法,返回函數最小化時的k值,作為新的模糊核 心";
[0032] (13)迭代次數標簽j加1,重新賦值給j,作為新的迭代次數標簽,判斷新的迭代次 數標簽是否為200,如果是,輸出候選圖像及模糊核K2?,否則,返回步驟(10);
[0033] (14)更新二進制掩模r+i:在所有圖像塊中,計算八個方向的梯度信息,選取邊緣 信息較強的前2%的圖像塊,將運些圖像塊與掩模r相對的位置置1,其余位置置0,作為新 的二進制掩模;
[0034] (15)保持二進制掩模M"i、外部圖像樣例塊向量SiW及候選圖像Xt不變,更新圖像 塊的方差nS
[0035] (16)保持其他參數不變,在二進制掩模r+i置1的所有位置,設學習到的圖像塊為 pi = rfSi+iii,rii為圖像塊i的方差,Si為外部圖像樣例塊的向量形式,為圖像塊i的灰度的 均值,在外部圖像樣例塊集中找到與候選圖像塊地x-pi)Ali最相似的樣例塊SS得到新的 圖像樣例塊SI;
[0036] (17)保持其他參數不變,計算得到新的候選圖像
[0037] (18)保持其化參數不巧,利用如下公式求解模糊核kW
[0038]
<4》
[0039] 其中S*代表對應D*的偏導數;y代表輸入的模糊圖像,W*是運些不同方向偏微分所 對應的標量權重,kt表示t金字塔層的模糊核,是t+1金字塔層的候選圖像,設置不在掩 模M"i中的梯度信息零;
[0040] (19)金字塔層數標簽t加 I,重新賦值給t,作為新的金字塔層數標簽,返回步驟 (7);
[0041 ]本發明與現有技術相比具有如下優點:
[0042] 第一,模糊核估計準確
[0043] 本發明在原有的基于外部圖像塊先驗方法的基礎上,在估計模糊核的金字塔模型 的最后一層中添加一項模糊核的h/l2稀疏范數正則項,使得迭代過程中,估計模糊核的階 段指向正確的方向,從而能得到更加逼近真實場景的模糊核,提高了模糊核估計的準確性。
[0044] 第二,自適應性強
[0045] 現有的一些圖像去模糊的技術,對參數設置要求比較高,參數選擇不當時極易出 現圖像模糊和過擬合的現象,本發明添加 h/l2稀疏范數正則項,不需要過多設置參數,從而 使估計模糊核的過程具有較強的自適應性。
【附圖說明】
[0046] 圖1是本發明的實現流程圖;
[0047] 圖2是第一組模糊核估計實驗過程圖;
[004引圖3是第一組實驗結果局部放大對比圖;
[0049] 圖4是第二組模糊核估計實驗過程圖;
[0050] 圖5是第二組實驗結果局部放大對比圖;
[0051] 圖6是第=組模糊核估計實驗過程圖;
[0052] 圖7是第=組實驗結果局部放大對比圖;
[0053] 圖8是第四組模糊核估計實驗過程圖;
[0054] 圖9是第四組實驗結果局部放大對比圖。
[0055] 具體實施方法
[0056] W下參照附圖對本發明的技術方案和效果作進一步詳細描述。
[0057] 參照圖1,本發明的實現步驟如下:
[0058] 步驟1:輸入模糊圖像y,并將模糊圖像y設為候選圖像。
[0059] 本實例選取4張各不相同的自然圖像,如附圖2(a)、4(a)、6(a)、8(a)所示,其名字 分別為:b;rige、Boats ,Beverage W及tower,他們的圖像尺寸大小分別為:Boats和tower為 256 X 256,圖像brige的大小為419 X 566,圖像Beverage的大小為520 X 395;其中圖像Boats 為灰度圖像,tower、b;rige W及Beverage為彩色RGB圖像。對其進行人工模糊混合處理,得到 如附圖2化)、4化)、6化)、8化)所示模糊圖像7。
[0060] 步驟2:初始化模糊核
[0061 ]用matlab的f special函數生成一個大小為3 X 3的高斯模糊核作為初始最外層模 糊核,用4*^表示;
[0062] 步驟3:初始化二進制掩模,初始化外部圖像樣例塊。
[0063] 取一個大小與圖像矩陣相同、數值全為1的矩陣作為初始化二進制掩模,用Mi表 示;
[0064] 對外部樣例塊數據集BSD500標準數據集進行如下學習:
[0065] 首先,對該數據集中所有500張圖的每一個維度W采樣比例為1:2向下下采樣,W 初始二進制掩模Ml為中屯、,從500張圖像中提取大小為5 X 5的220K個圖像塊;
[0066] 然后,對運些圖像塊進行歸一化處理,最后設置聚類數目為2560,使用K均值算法 對220K圖像塊進行聚類,形成2560個聚類簇,提取運2560個聚類簇的聚類中屯、作為需要的 外部圖像樣例塊。
[0067] 步驟4:對輸入模糊圖像y進行如下式處理,得到初始化候選圖像/
[006引
。〉
[0069] 其中,K代表模糊核ki的矩陣形式,y代表輸入的模糊圖像,/代表本次迭代想要得 到的清晰候選圖像,D*是不同方向上偏微分的矩陣形式,W*是運些不同方向偏微分所對應的 標量權重,Dh和Dv分別為水平和垂直方向上的一階偏導數的矩陣形式,X是和候選圖像大小 相同的未知矩陣,afg min表示目標函數為最小值時的X的返回值M ? M 2表示矩陣一范數的 平方,E為求和符號。
[0070] 步驟5:調用高斯金字塔模型,計算金字塔總層數N:
[0071]
[0072] 其中,N為金子塔總層數,[」為向下取整操作,log表示W2為底的對數操作,b是根 據模糊核大小確定的用戶參數,初始金字塔層數標簽t = 1。
[0073] 步驟6:對初始化候選圖像/用MATLAB的pyrDown函數進行下采樣,將下采樣結果 作為金子塔層第1層的候選圖像xi。
[0074] 步驟7:對金子塔第t層的候選圖像X*用MATLAB的pyrDown函數進行上采樣,并將上 采樣結果重新賦值給Xt。
[0075] 對金子塔第t層的模糊核用MATLAB的pyrDown函數kt進行上采樣,并將上采樣結果 重新賦值給kt。
[0076] 步驟8:判斷金字塔標簽t是否為金字塔層數N,如果是,保存金字塔第N層的候選圖 像/和模糊核kw執行驟9,否則執行步驟14;
[0077] 步驟9:設置局部迭代最高次數為200,迭代次數標簽j = l,將(8)中求得的候選圖 像/用r表示,作為新的候選圖像,模糊核kW用護表示,作為新的模糊核。
[007引步驟10:計算第j次迭代的候選圖像護的b范數|陽||2;
[0079] 步驟11:保持模糊核及候選圖像r的b范數||、| U保持不變,采用的h/l2范 數的稀疏正則對圖像迭代方向加 W限制,根據迭代收縮闊值算法優化公式計算新候選圖像 公";
[0080]
傲
[0081 ] 其中取為模糊核,X為與候選閣像大小相問的禾知矩陣,y為輸入的模糊圖像,錢為 二維卷積運算符。式中的第一項為數據保真項,第二項是對X添加的h/l2范數正則項,最后 一項是對模糊核護添加的h范數正則,Ct和e為標量權重,用來表示控制模糊核護和圖像正則 項的相對強度,argmin表示目標函數為最小值時的X的值,I I ? I Ii表示矩陣一范數,I I ? h 表示矩陣二范數,Il表示矩陣二范數的平方;
[0082] 步驟12:保持候選圖像不變,根據下式計算得到第j次迭代的模糊核K^;
[0083]
<3、
[0084] 其中,為候選閣像,y為輸入的模糊閣像,@為二維卷積運算符,k為與模糊核大 小相同的未知矩陣,arg min表示目標函數為最小值時的k的值;第一項為數據保真項,第二 項是對候選圖像添加的范數正則項,標量權重a表示控制模糊核的相對強度,I I ? 1表示矩陣一范數,I I ? I h表示矩陣二范數,Il表示矩陣二范數的平方,將模糊核求解問題 轉化為優化問題,采用雙共輛梯度解法求解方法,返回函數最小化時的k值,作為新的模糊 娩
[0085] 步驟13:迭代次數標簽j加1,重新賦值給j,作為新的迭代次數標簽,判斷新的迭代 次數標簽是否為200,如果是,則輸出候選圖像及模糊核K2?,作為本實例的最終結果, 如附圖2((3)、4((3)、6((3)、8((3)所示,否則,返回步驟10。
[0086] 步驟14:更新二進制掩模M"i。
[0087] 在所有圖像塊中,計算八個方向的梯度信息,選取邊緣信息較強的前2%的圖像 塊,將運些圖像塊與掩模Mt相對的位置置1,其余位置置0,作為新的二進制掩模。
[0088] 步驟15:保持二進制掩模Mt+i、外部圖像樣例塊向量SiW及候選圖像X*不變,用二進 制矩陣提取算子化提取候選圖像X中位置i處大小為5X5個像素的圖像塊,并更新圖像塊的 方差ni;
[0089] (15a)令Vi = Qixt-pi,計算權重系數 O i:
[0090]
巧>
[0091] 其中,Qi是二進制矩陣提取算子,e為提前設定的灰度闊值,pi = riiSi+iii,Si為位置i 處對應的外部圖像樣例塊的向量形式,rf為原圖像塊的方差值,為圖像塊i的灰度,Xt是金 字塔第t層的候選圖像,vf是中間變量Vi的矩陣轉置;
[0092] (15b)利用如下公式計算得到新的圖像塊的方差巧
[0093]
巧》
[0094] 其中,M"堪二進制掩模,…為權重系數,峽J正則化圖像強度,Si為位置i處對應的 夕F部圖像樣例塊的向量形式,Si嗦示Si的矩陣轉置,Qi是二進制矩陣提取算子,為圖像塊i 的灰度值,I ? I表示對矩陣的行列式計算,e為正則化圖像強度,Xt是金字塔第t層的候選圖 像,F是當前候選圖像方差的經驗累積分布,rf為原圖像塊的方差值,Fref是外部圖像樣例 塊的局部對比參考累計分布。
[0095] 步驟16:保持其他參數不變,在二進制掩模置1的所有位置,設學習到的圖像塊 為pi = rf SHyi, If為圖像塊i的方差,Si為外部圖像樣例塊的向量形式,為圖像塊i的灰度 的均值,在外部圖像樣例塊集中找到與候選圖像塊地x-pi)Ali最相似的樣例塊SS得到新 的圖像樣例塊SI;
[0097]
[0096] 步驟17:保持其他參數不變,計算得到金子塔層第t+1層的候選圖像xt+i:
[009引
[0099] V柳 J
[0100] 式中,xt+1為t+1金字塔層的候選圖像,Fi代表傅里葉反變換,0為正則化圖像強度, 是二進制掩模,I ? I表示對矩陣的行列式計算,e為設定的灰度闊值,Vi =化是金 字塔第t層的候選圖像,Qi是一個二進制矩陣提取算子,QiT表示二進制矩陣提取算子的矩陣 轉置,rf為位置i處圖像塊的方差,為圖像塊的灰度均值,Si為位置i處對應的外部圖像樣 例塊的向量形式;在中間變量B中,F代表求復共輛運算,S*代表對應微分矩陣的偏導數O 為元素級乘法運算符,kt是金字塔t層的模糊核,y為初始輸入的模糊圖像。
[0101] 步驟18:保持其他參數不變,利用如下公式求解第t+1金字塔層的模糊核kW
[0102]
〈4〉
[0103] 其中S*代表對應D*的偏導數,y代表輸入的模糊圖像,CO*是運些不同方向偏微分所 對應的標量權重,kt表示金字塔第t層的模糊核,是金字塔第t+1層所得的候選圖像,設 置不在掩模中的梯度信息為零,0表示控制模糊核kt正則項的相對強度,E為求和 符號,11 ? M表示矩陣一范數,11 ? I h表示矩陣二范數,Il表示矩陣二范數的平方。
[0104] 步驟19:給金字塔層數標簽巧日1,重新賦值給t,作為新的金字塔層數標簽,返回步 驟7。
[0105] 本發明的效果可W通過W下實驗來進一步說明:
[0106] 1、仿真條件:
[0107] 本發明的軟件環境為Windows 7旗艦版64位系統,MATLAB 2014a。硬件環境為 Intel Core2Duo 3.2GHz的CPU,并且內存為孤R34GB的環境下運行。
[010引2.仿真內容:
[0109] 仿真1,從已有的非線性模糊核數據集中選取19X19的非線性模糊核對清晰圖像 圖進行模糊混合處理,得到合成的模糊圖像圖,對合成的模糊圖像圖進行盲去模糊處理,得 到去模糊后的圖像和估計出的模糊核圖,如圖2所示。其中
[0110] 圖2(a)為brige的原始清晰圖像,圖像右下角為合成模糊所用的模糊核;
[0111] 圖2(b)為合成的模糊圖像;
[0112] 圖2(c)為去模糊后的圖像,圖像的右下角為估計出的模糊核;
[0113] 將圖2(b)所示的模糊圖像與圖2(c)去模糊后圖像的細節對比,結果如圖3。從圖3 可見,本發明估計出來的模糊核逼近于真實的模糊核,去模糊后圖像接近清晰圖像。
[0114] 仿真2,從已有的非線性模糊核數據集中選取17X17的非線性模糊核對清晰圖像 圖進行模糊混合處理,得到合成的模糊圖像圖,對合成的模糊圖像圖進行盲去模糊處理,得 到去模糊后的圖像和估計出的模糊核圖,如圖4所示。其中
[0115] 圖4(a)為boats的原始清晰圖像,圖像右下角為合成模糊所用的模糊核;
[0116] 圖4(b)為合成的模糊圖像;
[0117] 圖4(c)為去模糊后的圖像,圖像的右下角為估計出的模糊核;
[0118] 將圖4(b)所示的模糊圖像與圖4(c)去模糊后圖像的細節對比,結果如圖5。從圖5 可見,在本發明在該組圖中去模糊后圖像清晰,估計出來的模糊核幾乎與真實的模糊核相 同。
[0119] 仿真3,從已有的非線性模糊核數據集中選取15X15的非線性模糊核對清晰圖像 圖進行模糊混合處理,得到合成的模糊圖像圖,對合成的模糊圖像圖進行盲去模糊處理,得 到去模糊后的圖像和估計出的模糊核圖,如圖6所示。其中
[0120] 圖6(a)為Beverage的原始清晰圖像,圖像右下角為合成模糊所用的模糊核;
[0121] 圖6(b)為合成的模糊圖像;
[0122] 圖6(c)為去模糊后的圖像,圖像的右下角為估計出的模糊核;
[0123] 將圖6(b)所示的模糊圖像與圖6(c)去模糊后圖像的細節對比,結果如圖7。從圖7 可見,本發明去模糊后圖像清晰,估計出來的模糊核幾乎與真實的模糊核相同。
[0124] 仿真4,從已有的非線性模糊核數據集中選取13X13的非線性模糊核對清晰圖像 圖進行模糊混合處理,得到合成的模糊圖像圖,對合成的模糊圖像圖進行盲去模糊處理,得 到去模糊后的圖像和估計出的模糊核圖,如圖8所示。其中
[0125] 圖8(a)為Beverage的原始清晰圖像,圖像右下角為合成模糊所用的模糊核;
[0126] 圖8(b)為合成的模糊圖像;
[0127] 圖8(c)為去模糊后的圖像,圖像的右下角為估計出的模糊核;
[0128] 將圖8(b)所示的模糊圖像與圖8(c)去模糊后圖像的細節對比,結果如圖9。從圖9 可見,本發明去模糊后圖像清晰,估計出來的模糊核幾乎與真實的模糊核相同。
[01巧]3、實驗結果分析:
[0130]綜合四組實驗結果可W看出,本發明去模糊后圖像清晰,估計出的模糊核逼近于 真實模糊的模糊核,并且一定程度上克服了模糊核中存在類似噪聲的現象,體現了本發明 對模糊核的估計具有很好的準確性。四組實驗的模糊核估計結果表現穩定,體現了本發明 具有很好的適應性和穩定性。
【主權項】
1. 一種基于圖像塊先驗與稀疏范數的盲去模糊方法,包括: (1) 輸入模糊圖像y,將模糊圖像y設為候選圖像; (2) 取大小為3 X 3的高斯模糊核作為初始化模糊核,用k1表示; (3) 取全為0的與圖像大小相同的二進制掩模作為初始掩模,用M1表示,對外部樣例塊數 據集為BSD500標準數據集進行學習,得到本發明的初始化外部圖像樣例塊; (4) 對模糊圖像V講行初始化,得到初始候詵圖像/ ^ Ik其中,k1代表模糊核k1的矩陣形式,y代表輸入的模糊圖像,/代表本次迭代想要得到的 清晰候選圖像,D*是不同方向上偏微分的矩陣形式,w*是這些不同方向偏微分所對應的標量 權重,Dh和D v分別為水平和垂直方向上的一階偏導數的矩陣形式,X是和候選圖像大小相同 的未知矩陣,min表示目標函數為最小值時的X的返回值; (5) 調用高斯金字塔模型,根據初始化時設定的模糊核k1的大小,計算金字塔總層數N, 初始金字塔層數標簽t = 1; (6) 將候選圖像/根據金字塔層數進行下采樣,得到金子塔層第1層的候選圖像X1; (7) 將候選圖像一和模糊核0根據金子塔層數進行上采樣; (8) 判斷金字塔標簽t是否為N,如果是,保存N層的候選圖像/和模糊核0執行驟(9),否 則執行步驟(14); (9) 設置局部迭代最高次數為200,迭代次數標簽j = l,將(8)中求得的候選圖像/用)^ 表示,作為新的候選圖像,將模糊核表示,作為新的模糊核; (10) 計算當前候選圖像X響h范數; (11) 保持模糊核k1以及候選圖像P的12范數| |h| |2保持不變,采用h/12范數的稀疏正 則對圖像迭代方向加以限制,根據迭代收縮閾值算法優化公式計算新候選圖像P+ 1;II 112 其中,p為為j次迭代的模糊核,X為與候選圖像大小相同的未知矩陣,y為輸入的模糊圖 像,?為二維卷積運算符,式中的第一項為數據保真項,第二項是對X添加的h/12范數正則 項,最后一項是對模糊核1^添加的1:范數正則,標量權重α和β用來表示控制模糊核K j和圖像 正則項的相對強度,argmin表示目標函數為最小值時的X的值; (12) 保持候選圖像P+1不變,根據下式計算新的模糊核P+1;'L 其中,y為輸入的模糊圖像,?為二維卷積運算符,k為與模糊核大小相同的未知矩陣, arg min表示目標函數為最小值時的k的值,第一項為數據保真項,第二項是對候選圖像P+1 添加的Wl2范數正則項,標量權重α表示控制模糊核的相對強度,將模糊核求解問題轉化為 優化問題,采用雙共輒梯度解法求解方法,返回函數最小化時的k值,作為新的模糊核Ρ+ 1; (13) 迭代次數標簽j加1,重新賦值給j,作為新的迭代次數標簽,判斷新的迭代次數標 簽是否為200,如果是,輸出候選圖像X2(x)以及模糊核K2(X),否則,返回步驟(10); (14) 更新二進制掩模Mt+1:在所有圖像塊中,計算八個方向的梯度信息,選取邊緣信息 較強的前2%的圖像塊,將這些圖像塊與掩模Μ相對的位置置1,其余位置置0,作為新的二 進制掩模M t+1; (15) 保持二進制掩模Mt+1、外部圖像樣例塊向量Si以及候選圖像f不變,更新圖像塊的 方差η1; (16) 保持其他參數不變,在二進制掩模Mt+1置1的所有位置,設學習到的圖像塊為piiri 坨、1,!!1為圖像塊i的方差,S1為外部圖像樣例塊的向量形式,μ 1為圖像塊i的灰度的均值, 在外部圖像樣例塊集中找到與候選圖像塊(Qu-P1)/^ 1最相似的樣例塊S1,得到新的圖像樣 例塊sS (17) 保持其他參數不變,計算得到新的候選圖像xt+1; (18) 保持其他參數不變,利用如下公式求解模糊核kt+1其中δ*代表對應D*的偏導數;y代表輸入的模糊圖像,w*是這些不同方向偏微分所對應 的標量權重,P表示t金字塔層的模糊核,xt+1是t+Ι金字塔層的候選圖像,設置不在掩模Mt+1 中的梯度信息為零; (19) 金字塔層數標簽t加1,重新賦值給t,作為新的金字塔層數標簽,返回步驟(7)。2. 根據權利要求1所述的基于圖像塊先驗與稀疏范數的盲去模糊方法,其中步驟(15) 中計算得到新圖像塊的方差以·按如下步驟進行: (15a)令vkQixt-p1,計算權重系數ω i:其中,Qi是二進制矩陣提取算子,ε為提前設定的灰度閾值,為位置i處對 應的外部圖像樣例塊的向量形式,η1為原圖像塊的方差值,V為圖像塊i的灰度值; (15b)利用如下公式計算得到新的圖像塊的方差τμ1:其中,Mt+1是二進制掩模,rf為原圖像塊的方差值,(^是二進制矩陣提取算子,S1為位置i 處對應的外部圖像樣例塊的向量形式,μ1為圖像塊i的灰度值,β為正則化圖像強度,Xt是金 字塔第t層的候選圖像,F是當前候選圖像方差η 1的經驗累積分布,Fref是外部圖像樣例塊的 局部對比參考累計分布。3. 根據權利要求1所述的基于圖像塊先驗與稀疏范數的盲去模糊方法,其中步驟(17) 計算新的候選圖像xt+1,通過如下公式進行:V ^/ 其中,xt+1為t+1金字塔層的候選圖像,F1代表傅里葉反變換,β為正則化圖像強度,M t+1 是二進制掩模,ε為設定的灰度閾值,是金字塔第t層的候選圖像,(^是一個二 進制矩陣提取算子,QJ表示二進制矩陣提取算子的矩陣轉置,η 1為位置i處圖像塊的方差, 以:為圖像塊的灰度均值,S1為位置i處對應的外部圖像樣例塊的向量形式;在中間變量B中, F代表求復共輒運算,S*代表對應微分矩陣的偏導數,〇為元素級乘法運算符,0是金字塔t 層的模糊核,y為初始輸入的模糊圖像。
【文檔編號】G06T5/00GK105957024SQ201610248012
【公開日】2016年9月21日
【申請日】2016年4月20日
【發明人】李陽陽, 梁曉旭, 王哲, 焦李成, 劉芳, 尚榮華, 馬晶晶, 劉若辰
【申請人】西安電子科技大學